Exploring Information Needs and Educational Preferences of Individuals Referred to Cardiac Rehabilitation Before Program Start
Notice bibliographique
Résumé
PURPOSE: To explore information needs and educational preferences of individuals referred to cardiac rehabilitation (CR) before program start. METHODS: This cross-sectional study was conducted from June 2023 to February 2024. Referred patients were contacted via email, which included a link to a website providing information about the CR program, and instructional videos. Data were collected through surveys that assessed health literacy levels, information needs (using the short version of the Information Needs in CR), frequently asked questions, delivery preferences, and engagement/satisfaction with educational resources. RESULTS: Throughout the study period, the CR center received 2571 referrals, of which 881 individuals were eligible for the study, and 467 (mean age 66.4 ± 12.2 years; 36% women) consented and completed questionnaires. Information needs were highest for CR and diagnosis/treatment and lowest for nutrition and risk factors. The study revealed significant differences in the perceived importance of information needs across various sociodemographic and clinical characteristics, including age ( P = .01), educational level ( P = .009), work status ( P = .04), main reason for CR referral ( P < .001), and health literacy ( P = .02). Moreover, participants identified key areas of interest and concern related to their CR journey. These included inquiries about safe exercise initiation, pre-stress test instructions, and personalized exercise plans, among others. It was also observed that the majority of participants engaged with the educational materials provided and indicated high levels of satisfaction. CONCLUSION: This study revealed patient preferences regarding educational content, delivery format, and areas of interest/concern related to CR prior to program start, providing valuable insights for improving the delivery and effectiveness of such programs.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».