Multiethnic Perspectives of Shared Decision‐Making in Hypertension: A Mixed‐Methods Study
Notice bibliographique
Résumé
Background Shared decision‐making (SDM) has the potential to improve hypertension care quality and equity. However, research lacks diverse representation and evidence about how race and ethnicity affect SDM. Therefore, this study aims to explore SDM in the context of hypertension management. Methods and Results Explanatory sequential mixed‐methods design was used. Quantitative data were sourced at baseline and 12‐month follow up from RICH LIFE (Reducing Inequities in Care of Hypertension: Lifestyle Improvement for Everyone) participants (n=1212) with hypertension. Qualitative data were collected from semistructured individual interviews, at 12‐month follow‐up, with participants (n=36) selected based on their SDM scores and blood pressure outcome. Patients were cross‐ categorized based on high or low SDM scores and systolic blood pressure reduction of ≥10 or <10 mm Hg. Multinomial logistic regression analysis showed that predictors of SDM scores and blood pressure outcome were race and ethnicity (relative risk ratio [RRR], 1.64; P =0.029), age (RRR, 1.03; P =0.002), educational level (RRR, 1.87; P =0.016), patient activation (RRR, 0.98; P <0.001; RRR, 0.99; P =0.039), and hypertension knowledge (RRR, 2.2; P <0.001; and RRR, 1.57; P =0.045). Qualitative and mixed‐methods findings highlight that provider–patient communication and relationship influenced SDM, being emphasized both as facilitators and barriers. Other facilitators were patients' understanding of hypertension; clinicians' interest in the patient, and clinicians' personality and attitudes; and barriers included perceived lack of compassion, relationship hierarchy, and time constraints. Conclusions Participants with different SDM scores and blood pressure outcomes varied in determinants of decision and descriptions of contextual factors influencing SDM. Results provide actionable information, are novel, and expand our understanding of factors influencing SDM in hypertension.
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 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».