Applying Patient and Health Professional Preferences in Co-Designing a Digital Brief Intervention to Reduce the Risk of Prescription Opioid–Related Harm Among Patients With Chronic Noncancer Pain: Qualitative Analysis
Notice bibliographique
Résumé
BACKGROUND: Few personalized behavioral treatments are available to reduce the risk of prescription opioid-related harm among patients with chronic noncancer pain. OBJECTIVE: We aimed to report on the second phase of the co-design of a digital brief intervention (BI) based on patient and health professional preferences. METHODS: Eligible patients with chronic noncancer pain (n=18; 10 women; mean age 49.5, SD 6.91 y) from public hospital waitlists and health professionals (n=5; 2 women; mean age 40.2, SD 5.97 y) from pain and addiction clinics completed semistructured telephone interviews or participated in focus groups exploring BI preferences, needs, and considerations for implementation. Grounded theory was used to thematically analyze the data. RESULTS: We identified 5 themes related to intervention content from patient reports: relevance of the biopsychosocial model and need for improved awareness and pain psychology education; nonpharmacological strategies and flexibility when applying coping skills training; opioid use reflection and education, with personalized medication and tapering plans; holistic and patient-inclusive assessment measures and feedback; and inclusion of holistic goals targeting comfort and happiness. Five themes related to the process and guiding principles were identified: therapist guided; engaging features; compassionate, responsive, person-centered care; a digital solution is exciting, maximizing reach; and educate and normalize system and policy challenges. Finally, 5 themes were reflected in the health professionals' reports: digital health use is rare but desired; digital health is useful for patient monitoring and accessing support; patient motivation is important; a digital BI app is likely beneficial and at multiple care points; and safe medication use and managing pain goals. The reported barriers from health professionals were intervention intensity, potential costs, and patient responsiveness; factors facilitating the implementation were the alignment of digital BIs with clinical models, a stepped-care approach, and feedback. CONCLUSIONS: This co-design study identified key content areas, guiding principles, enabling factors, and barriers from both patients and health professionals to guide the development of digital BIs. The knowledge gathered should inform future iterations of co-designing digital BIs for the population most at risk of the harmful effects of opioid medications.
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 | 0,017 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».