Labels, Language, and Other Strategies to Improve Communication About Lower Grade Forms of Ductal Carcinoma In Situ of the Breast: A National Delphi Survey
Notice bibliographique
Résumé
Purpose: This study is aimed at generating consensus among women who had ductal carcinoma in situ (DCIS) and healthcare professionals on how to improve communication about low‐risk forms of DCIS and reduce affected women’s diagnosis‐related confusion and anxiety. Methods: We conducted a two‐round online Delphi survey with affected women and professionals from across Canada. They rated items sourced from prior research and key informant interviews on a 7‐point Likert scale. We retained items rated 6 or 7 by ≥ 80% of panelists. Results: Thirty‐seven panelists (17 women, 20 professionals) completed Round 1 and 94.6% of those completed Round 2. Of 42 items rated, 18 were retained, 13 discarded, and 11 did not achieve consensus to retain or discard. Women and professionals agreed on 3 language approaches (use plain language, distinguish DCIS from invasive breast cancer, specify the risk of recurrence and spread) and 9 other strategies to help discuss DCIS (e.g., use visual aids, provide or refer women to culturally tailored DCIS‐specific information, ensure physicians can access interpreters). Based on rating and comments, women were more enthusiastic than professionals about referring to abnormal cells rather than DCIS and scheduling longer or follow‐up visits to address concerns. To disseminate these findings, panelists recommended public awareness campaigns for women and continuing education and professional society endorsement for physicians. Conclusion: These findings address gaps in prior research that recommended changing the DCIS label, but had not fully explored label preferences, or identified other ways to improve and support communication about DCIS.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,001 | 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 ».