Understanding the Values, Qualities, and Preferences of Patients in Their Relationships With Obstetrics and Gynecology Providers: Cross-Sectional Survey With a Mixed Methods Approach
Notice bibliographique
Résumé
BACKGROUND: The patient-provider relationship in obstetrics and gynecology (OBGYN) is uniquely complex due to the sensitive nature of examinations and topics. Patients often prefer health care providers who share similar racial, ethnic, gender, or linguistic backgrounds, particularly in sensitive health care situations, to improve communication and comfort, though historically, specific gender preferences for OBGYNs have not been evident. OBJECTIVE: This study aims to describe the values, qualities, and preferences of patients in their relationships with OBGYN providers. METHODS: This cross-sectional survey, conducted from October 2019 to December 2019, involved 1039 US OBGYN patients and used a mixed methods approach, integrating quantitative responses and qualitative insights from open-ended questions. Recruitment was facilitated through targeted social media campaigns, and the survey aimed to capture detailed patient preferences and barriers to care by assessing responses on provider traits, patient experiences, and demographic factors. The study's rigorous data collection and analysis were designed to fill gaps identified in previous research on patient-provider relationships in OBGYN care. RESULTS: The findings underscore the paramount importance of trust and comfort, with listening skills identified as crucial. A notable finding is the marked preference for same-gender providers, observed in 80.7% (545/675) of participants. Primary barriers to seeking care reported included daily commitments, highlighting the need for accessible and flexible care options. CONCLUSIONS: The study highlights a significant shift from previous scientific findings in patient preferences toward gender concordance and trust in OBGYN settings, diverging from previous research. These results emphasize the need for patient-centered care and tailored communication strategies to enhance patient experiences and outcomes. Future research should focus on diverse populations to broaden the findings' applicability and explore the impact of recent shifts in health care policies.
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 | 0,007 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».