Decision-making Tools for Postmastectomy Breast Reconstruction: A Scoping Review
Notice bibliographique
Résumé
Background: Breast reconstruction is an essential consideration for patients with breast cancer undergoing a mastectomy. Patients commonly report inadequate education as an important cause of dissatisfaction with breast reconstructive care. Information sources for breast reconstruction vary in quality, accuracy, and validity. We sought to determine what academic and nonacademic resources exist supporting decision-making for patients undergoing breast reconstruction. Methods: A search was conducted of both academic literature and nonacademic social media sources. Three academic databases and 5 social media platforms were searched using keywords. Three independent reviewers performed the selection and data extraction of sources that met the inclusion criteria. Results: A total of 1172 academic articles and 1419 nonacademic records were screened, with 14 and 9 included for final review, respectively. Of the 5 nonacademic mediums searched, none were included from TikTok and Instagram. One decision-making tool (DMT) was included from Twitter, 4 from YouTube, and 4 from Google. Overall, the quality of available DMTs was very good. The one included academic DMT had a mean DISCERN score of 5, whereas the 4 DMTs from Google and Twitter had a median DISCERN score of 4. YouTube videos were ranked using the modified DISCERN tool with a median score of 5. Conclusions: Accessibility was found to be a significant barrier for patients in academic and nonacademic platforms with significant knowledge required to effectively search these platforms for resources. Efforts must be made to improve accessibility and awareness of these DMTs, as such tools are essential in shared decision-making.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».