Educating patients about patient-reported outcomes—are we there yet?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Using Patient Reported Outcome Measures (PROMs) in clinical settings can improve patient outcomes by enhancing communication between patient and provider. There has been significant improvements in the development of PROMs, their implementation in routine patient clinical care, training physicians and other healthcare providers to interpret the PROMs results to identify any issues reported by the patient, and to use the PROMs results to provide or modify the treatment. MAIN BODY: Despite the increased use of PROMs, the lack of PROM completion by patients is a major concern in the optimal use of PROMs. Studies have shown several reasons why patients do not complete PROMs and one of the reasons is their lack of understanding of the significance of PROMs and their utility in their clinical care. While examining the various strategies that can be used to improve the uptake of PROM completion by patients, educating patients about the use of PROMs has been recommended. There is less evidence on how patients are trained or educated about PROMs. It may also be possible that the patient education strategies are not reported in the publications. This brings up the question of evaluation of the educational strategies used. CONCLUSION: Our symposium at the 2023 ISOQOL conference brought together a range of experiences and learning around patient-centered PROMs educational activities used in the Netherlands, Canada, and the UK. This commentary is aimed to describe the lay of the land about educational activities around the use of PROMs in clinical care for patients, recognizing the gaps, and posing questions to be considered by the research and clinical community.
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.
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 | 0,001 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle