Public Interest in Online Information on Recurrent Urinary Tract Infections Is Greatest for Information with the Poorest Publication Quality
Notice bibliographique
Résumé
Background: Urinary tract infections (UTIs) are among the most prevalent bacterial infections. With many patients turning to the Internet as a health resource, this study seeks to understand public engagement with online resources concerning recurrent UTIs (rUTIs), assess their reliability, and identify common questions/concerns about rUTIs. Methods: Social media analysis tool BuzzSumo was used to calculate online engagement (likes, shares, comments, views) with information on rUTIs. The reliability of highly engaged articles was evaluated using the DISCERN questionnaire. Highly engaged categories were entered as keywords in Google Trends to quantify search interest. To categorize patient-specific concerns, a database containing anonymously collected patient questions about rUTIs was created. Results: BuzzSumo revealed four search categories: general information, treatment, causes, and herbal remedies. DISCERN scores indicated moderate reliability overall; however, the “herbal remedies” category demonstrated poor reliability despite high engagement. Google Trends analysis highlighted “causes” and “treatment” searches as highest in relative interest. The 10 most popular categories of concern were antibiotics, microbiome, vaccines, prevention, pelvic pain, sex, testing, symptoms, diet/lifestyle, and hormones. Conclusions: People living with rUTIs demonstrate key concerns and often seek information online, yet articles with high engagement often contain unreliable information. Healthcare professionals may consider counteracting misinformation by providing evidence-based information online about rUTIs.
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 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».