Evaluating the quality and readability of online information about hidradenitis suppurativa: a systematic review
Notice bibliographique
Résumé
Hidradenitis suppurativa (HS) is a chronic inflammatory skin disorder associated with considerable physical, psychological and social burdens. Despite increasing recognition, diagnostic delays remain common, often prompting patients to seek information online. In this systematic review, we evaluated the quality and readability of HS-related information across artificial intelligence (AI)-generated content, search--engine-derived resources and social media platforms. A comprehensive search of PubMed, Embase, Cochrane Library and Google Scholar identified 17 studies published between 2017 and 2024 that assessed HS-related online content using validated scoring tools and/or physician evaluation. More than 50% of studies rated online HS materials as variable in quality, with 36% rating them as moderate. Readability -assessments revealed that most resources exceeded the recommended sixth-grade to eighth-grade school level, limiting accessibility for patients. Social media platforms, particularly TikTok and YouTube, featured highly engaging but frequently inaccurate or anecdotal content, with physician-generated materials receiving lower engagement than nonmedical resources. These findings highlight the critical need for simplified, -evidence-based online resources to improve health literacy and support informed decision-making by patients with HS. The prevalence of misinformation, particularly regarding alternative treatments and pharmaceutical scepticism, underscores the urgent need to develop enhanced patient education strategies. Future efforts should focus on AI-driven readability improvements, clinician engagement in digital education and collaboration with social media platforms to ensure the availability of accessible, high-quality HS information.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| 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 ».