Improving Patient Understanding and Outcomes in Lung Cancer Using an Animated Patient’s Guide with Visual Formats of Learning
Notice bibliographique
Résumé
Lung cancer patient education resources that address barriers to health literacy, improve understanding, and demonstrate improved patient outcomes are limited. Our study aim was to evaluate and report on learner knowledge improvement and intent to implement behavior change, and validate the benefits of the You and Lung Cancer website and YouTube resources. Our study occurred from November 2017 to December 2023. We evaluated audience reach (visit sessions, unique visitors, country origins, page views) and calculated top views by media type (animations, expert videos, patient videos). We assessed the impact and commitment to change through learner surveys (areas of interest, intention to modify behaviors, and intention to discuss disease management with providers) and tested the knowledge of learners pre- and post-reviewing of website content. Our program reached 794,203 views globally; 467,546 were unique visitors; and 243,124 (51%) were unique visitors from the USA. Of US visitors, 46% identified as lung cancer patients. These were patients in treatment (38%), survivors (8%), family members or caregivers (21%), and healthcare providers (14%) with other audiences unspecified (19%). Three areas of highest learner importance were the animations "Understanding Non-Small Cell Lung Cancer" (180,591), "Staging of Lung Cancer" (144,238), and "Treatment and Management of Small Cell Lung Cancer" (49,244). Our study confirmed areas of importance to lung cancer patients and suggests that visual formats of learning, such as animations, can mitigate health literacy barriers and help improve patient understanding and outcomes. Exporting this format of learning to other cancers has the potential to benefit patients and improve health outcomes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».