Finding the Value: Identifying the Key Elements of Recorded Clinic Visits From the Perspective of Patients, Clinicians, and Caregivers
Notice bibliographique
Résumé
OBJECTIVE: We aimed to understand what patients, caregivers and clinicians identified as the most important information from their audio-recorded clinic visits and why. METHODS: We recruited patients, caregivers and clinicians from primary and speciality care clinics at an academic medical centre in New Hampshire, U.S. Participants reviewed a recording or transcript of their visit, identifying meaningful moments and the reasons why. Two researchers performed a summative content analysis of the data. RESULTS: Sixteen patients, four with caregivers, from six clinicians participated. Patients, caregivers and clinicians identified a median of 7.5 (3-20), 12.5 (6-50) and 18 (4-31) meaningful visit moments, respectively. Moments identified were similar across stakeholders, including patient education, symptoms, recommendations and medications. Four themes emerged as a rationale for finding visit information meaningful: providing and receiving information, sharing the patient experience, forming a care plan, and providing emotional support. Clinicians rarely identified patient statements as important. CONCLUSION: There was considerable agreement between patients, clinicians and caregivers regarding visit information that is most valuable. Patient contributions may be undervalued by clinicians. PRACTICE IMPLICATIONS: These findings can be used to improve patient-centred visit communication by focusing visit summaries and decision support on information of the most value to participants.
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 | 0,003 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».