Needs assessment and patient-guided development of a video-based diabetic retinopathy patient education tool
Notice bibliographique
Résumé
Objective: To gain retina physicians’ and diabetic retinopathy (DR) patients’ perspectives on needs and opportunities in DR education, and then develop and pilot test an educational video. Design: This study utilised qualitative interview data for video creation, and interview and survey data for assessment. Setting: This study was conducted in a single large academic medical centre. Method: We conducted semi-structured interviews with attending retina physicians and DR patients (Cohort A) which were coded for themes about needs in DR patient education. Using these interviews, we designed and piloted a 6-minute user-centred animated video among a second patient cohort (Cohort B), who completed post-intervention interviews. Results: Four physicians and 14 DR patients participated in the study. Themes from Cohort A included accessible information, early management, lifestyle factors and emotional context. Physician themes included effective communication, visual information delivery and individual-level diabetes management. Cohort B commented on the subsequently created video’s improved accessibility, engagement and supplementation of their existing DR knowledge. Conclusion: Physicians and patients showed an interest in video education and identified unique educational needs. We used these insights to create a video that demonstrated positive patient uptake. Close attention to retina physicians’ and DR patients’ perspectives can offer a valuable approach in developing materials to increase patients’ health knowledge. Within the context studied, videos may be more accessible and engaging than the use of traditional print-based education materials.
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 | 0,000 | 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 ».