“My UC Story”: A Qualitative Descriptive Study Describing the Patient Journey for Ulcerative Colitis
Notice bibliographique
Résumé
Background: Personal perspectives of patients are seldomly reported in the literature, most notably their journey to diagnosis. Literature is heavily focused on the patient journey from a healthcare professional’s point of view during the treatment process. The objective of this study is to conduct a qualitative study on a video sharing site, YouTube, to determine if the patient journey from a subjective perspective is truly linear for those who suffer from ulcerative colitis.
 Methods: Phrases searched on YouTube included “ulcerative colitis story” and “ulcerative colitis diagnosis story”. Video monologues chronicling the patient journey before diagnoses were transcribed using the YouTube transcription function to identify patterns amongst users’ experiences. Thematic analysis was used to identify whether certain themes were present in the monologues. Analysis was performed using NVivo 12 QRS International and used line-by-line coding to create an initial codebook that represented the concepts covered in the monologues.
 Results: We viewed a total of 48 videos and included 29 videos from 2010 to 2020 for qualitative analysis. Overall, three major themes were identified in the patient journey prior to ulcerative colitis diagnosis:1) initial symptoms 2) initial encounter with the healthcare system 3) gastroenterologist referral.
 Conclusions: The literature depicts the patient journey as a linear path. This qualitative study discovers that the reality of the patient journey is in fact non-linear. Pharmacists are the most accessible health care professionals and can help guide patients in prioritizing signs and symptoms to streamline the non-linear path that patients experience.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».