304 Decision-making interventions for pelvic organ prolapse: a systematic review, meta-analysis, and environmental scan
Notice bibliographique
Résumé
Introduction People diagnosed with pelvic organ prolapse (POP) face preference-sensitive treatment decisions. We conducted a systematic review and meta-analysis to determine the effect of decision-making interventions for POP on patient-reported outcomes. To gain a more complete understanding of all potentially accessed resources, we also conducted an environmental scan to determine the quantity and quality of online interventions for POP decision-making. Methods We searched databases (inception to August 2022), trial registries, and reference lists. We included studies that compared a decision-making intervention to usual care among patients with POP. We calculated mean difference (MD), 95% confidence intervals (CIs), and statistical heterogeneity (I2) or narratively summarized outcomes. For the environmental scan, we also searched Google, app stores, and clinical society websites. We assessed intervention quality using DISCERN, the IPDAS checklist, and readability metrics. Results We identified seven publications, including 475 patients (mean age, 60 years) across three countries. There were no differences in decisional conflict (MD 0.09, 95% CI -2.91, 3.09, I2=0%), decision regret (MD 0.00, 95%CI -0.22, 0.22, I2=0%), satisfaction (MD -0.10, 95%CI -0.23, 0.03, I2=0%), knowledge, or shared decision-making. Study quality was low to moderate. We included 31 interventions from the environmental scan: 22/31 were not interactive, quality was low (mean DISCERN=48.1/80), and mean reading grade level of 10.2. Discussion Existing interventions for POP did not improve patient-reported outcomes. Interventions were not tested in younger populations. The quality of online interventions is generally low with poor readability. Future research should address these gaps through the user-centered design of digital interventions with younger patients. Conclusions We urgently need to develop high-quality, engaging interventions for POP, especially in younger age groups.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,027 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 source (Gemma direct ou Codex distillé), 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 ».