MétaCan
Menu
← Retour à la cohorte
Enregistrement W4395066060 · doi:10.5463/thesis.639

Shared decision-making revisited

2024· dissertation· en· W4395066060 sur OpenAlexaff
Laura Spinnewijn

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensAthena Sustainable Materials Institute
Organismes subventionnairesnon disponible
Mots-clésComputer science

Résumé

récupéré en direct d'OpenAlex

In healthcare, 'shared decision making' (SDM) refers to when both the patient and clinician collaborate to determine the best course of care or treatment. Despite its growing importance, SDM isn't consistently practiced. Doctors play a key role in its application, leading this thesis to explore how to effectively teach SDM to young doctors and examine the factors influencing its adoption in practice, such as doctor culture, personal beliefs, cognitive processes, and contextual factors. The research reveals that most SDM training programs in healthcare fall short in providing effective learning experiences, lacking experiential learning and opportunities for reflective practice. Even when doctors receive patient feedback, it does not always translate into improved decision-making, often due to insufficient mentor guidance. Additionally, doctors' culture, emphasizing medical evidence and autonomy in decision-making, affects their approach to SDM. Challenges arise when care becomes complex, leading to inconsistencies between traditional practices and collaborative decision-making. Despite efforts to empower patients, doctors often still make decisions on their behalf. Effective SDM requires active doctor involvement to tailor care to each patient's unique needs, yet doctors may struggle in this regard. Initiatives to enhance SDM must recognize its complexity and leverage insights from other disciplines to support professional learning and change. The study employed various research methods, including a systematic review of SDM training initiatives, interviews with healthcare providers, patient questionnaires, and an anthropological study exploring doctor culture's impact on SDM. Research findings are qualitatively analyzed, drawing on diverse social science theories.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,067
score de la tête « metaresearch » (Gemma)0,068
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,355

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0670,068
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,004
Bibliométrie0,0030,003
Études des sciences et des technologies0,0100,073
Communication savante0,0200,019
Science ouverte0,0050,019
Intégrité de la recherche0,0090,013
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,174
Tête enseignante GPT0,500
Écart entre enseignants0,325 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPatient-Provider Communication in Healthcare→Travaux en français237 207→