117 Enhancing professional truck drivers‘ experience with virtual care: understanding challenges of shared decision making to improve self- management of chronic diseases
Notice bibliographique
Résumé
Introduction While, professional truck drivers (PTD) have a higher risk of chronic conditions and mental health issues, most of them have a low level of education, lower health literacy and lower compliance with medical advice and medication intake. In collaboration with the trucking industry, we co-designed a tailored digital health primary care to improve PTD health outcomes and satisfaction with care. Key aspects of our patient engagement platform are remote patient monitoring, access to integrated interprofessional services and shared decision making (SDM). SDM can be challenging for patients with lower levels of education health literacy and eLiteracy. The aim of this study is to better understand PTD’s experience to inform our continuing improvement strategy and adapt our SDM approaches. Methods A grounded theory based qualitative design using semi- structured interview to collect data. In-depth interviews were conducted with 21 PTD based in a Canadian province. The majority (95%) were men, 50% were Canadian citizens, 75% had a least one chronic disease, and 37% had completed primary school. The mean age was 46.5 yo (Sd = 9.64 [27:68]). Results Through analysis of the recorded interviews (using a software), themes of patient-health professional relationship (i.e. trust, non- judgmental, compassion and repetition), tailored health education (i.e. verbal, written and recorded), integrated and personalized care, and timely access to care emerged as major influences on the SDM experiences of PTD. Barriers to effective communication (i.e. incongruency of information between health providers, slow or lack of health outcomes improvement, and work-related conditions) were also revealed. Conclusion(s) Lack of timely access to primary care and support for SDM likely negatively affect the health of PTD. Our findings shed light on how to support health professionals and PTD, and provide appropriate and adapted health resources to support SDM among PTD.
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,006 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».