Enhancing patient understanding of pathology reports: Insights from a large database of patient inquiries.
Notice bibliographique
Résumé
e13512 Background: The 21st Century Cures Act and the adoption of electronic health records have given patients immediate access to their diagnostic reports via patient portals. However, viewing pathology results before consulting with their physician can cause significant stress as patients struggle to interpret the technical language used in these reports. MyPathologyReport.ca is a website designed to help patients understand and navigate their pathology reports. The site features over 500 diagnostic articles and 400 pathology dictionary definitions. Since its inception, the site has been visited over 10 million times, with cancer-related content being the most popular. One unique feature is “Ask a Pathologist,” where patients can submit questions about their reports. Since 2022, over 6,000 emails have been submitted worldwide, providing valuable insights into common patient concerns. Moreover, a better understanding of these concerns can help us create tools aimed at improving patient literacy. Methods: A study protocol was created to analyze emails submitted to “Ask a Pathologist” on MyPathologyReport.ca. This protocol was reviewed by Patient Champions and Data Analytics committees. We analyzed 680 emails from 06/15/2024 to 01/14/2025, excluding 299 deemed to be irrelevant (spam, duplicates). Using ChatGPT, emails were summarized and sorted into categories: cancer or non-cancer-related, organ system, and treatment or diagnosis questions. Data was analyzed using pivot tables in Excel. Results: Of 381 relevant inquiries: 137 (36%) related to cancer diagnoses 214 (56%) related to non-cancer diagnoses 30 (8%) were not diagnosis-specific For cancer diagnoses, the most involved organ systems were: Breast (19%) GI (12%) Gynecologic (12%) Lymph node (11%) Skin (11%) Soft tissue (6 or 4%) Lung (5 or 4%) Thyroid (3%), Pancreas (2%) Bladder, Kidney, Liver, Brain, Adrenal, and Penis (1% each) 14 (10%) of cancer-related questions were about biomarkers. Most inquiries (78%) were diagnosis-related, with 23% about treatment and 18% about accessing diagnostic information. Conclusions: As pathology reports become more complex and accessible, there is a growing need for high-quality educational resources. MyPathologyReport.ca helps patients understand their reports, and the "Ask a Pathologist" section provides valuable data on common patient questions, aiding in the creation of high-yield content.
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 | 0,017 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».