Written patient resources for complex endovascular aneurysm repair and challenging to read and understand
Notice bibliographique
Résumé
Background Health literacy is a critical mediator of cardiovascular risk factor control and outcomes 1–3 . Complex Endovascular Aortic Aneurysm Repair (cEVAR) represents a challenging subject for providers to describe and for patients to understand. There have been no studies examining readability or understandability of patient-facing resources for cEVAR. In Canada, 49% of adults have a reading level below grade 12 4 . The 2024 United States National literacy Institute assessment reported a 21% illiteracy rate, with 54% of Americans reading below 6 th grade 5 . This provides a rationale for the recommendation of the National Institutes of Health and American Medical Association, that patient-facing educational resources fall below a 6 th grade reading level. Objective We hypothesized that the readability and understandability of patient-facing resources on cEVAR would exceed the national reading level of Canadians and Americans. Methods Two common electronic search engines were used to find patient-facing resources pertaining to cEVAR, resulting in 55 non-redundant resources. Plain text copies of each resource were assessed using the common readability indices Flesch-Kincaid Grade Level (FKGL), and Simple Measures of Gobbledygook (SMOG), and their understandability analyzed with the Patient Education Materials Assessment Tool (PEMAT) and PEMAT-Audiovisual Tool (PEMAT-AV). Results The FKGL generated a mean reading grade level of 9.3 ± 2.61, and SMOG generated a mean reading grade level of 11.9 ± 2.0. The mean PEMAT understandability percentage was 54.2 ± 19.0. By SMOG analysis, 45% of the resources (or 25 of 55 resources) required a grade 12 education. Conclusions Every resource examined was above the grade level recommendations of the CDC/NIH/AHA/AHRQ/AMA. On average, only 54% of any resource content was understandable. Limitations include the assumption that (1), health resources with appropriate literacy levels will generate changes in behaviour/outcomes of for patients with aneurysm disease, and (2) there is likely variable health literacy in the AAA patient population.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».