TikTok and Orthopaedic Education: Engaging the Next Generation of Patients
Notice bibliographique
Résumé
INTRODUCTION: Social media is increasingly pivotal in healthcare communication, with TikTok emerging as a leading platform because of its visually engaging, short-format videos. With nearly 2 billion users spending over 50 minutes daily on the app, TikTok offers a novel medium for disseminating orthopaedic information. Pediatric fractures-employed here as a representative model-are particularly relevant given the high social media use among youth and caregivers. This study investigates TikTok's role as an educational tool for orthopaedic surgeons and examines public engagement. METHODS: A cross-sectional study was conducted analyzing TikTok videos related to pediatric fractures. A newly created TikTok account was used to identify the top popular videos for each fracture type, excluding non-English, off-topic, private, or duplicate content. Engagement metrics, including views, likes, shares, comments, and bookmarks, were recorded. Video understandability was assessed using the Patient Education Materials Assessment Tool for Audiovisual Materials. Video reliability was assessed using the modified DISCERN scale. Videos were categorized by creator identity (physician, allied healthcare provider, patient, parent, and other). RESULTS: A total of 190 TikTok videos accumulated more than 25.7 million views and 1.8 million likes. Although nonexpert sources (parents and patients) contributed 87.9% of the content, healthcare professional-generated videos comprised 12.1% and demonstrated markedly higher engagement and quality scores. In particular, physician-produced content achieved the highest median views and shares (P < 0.01). DISCUSSION: The predominance of nonexpert content underscores a missed opportunity to leverage TikTok for disseminating reliable, evidence-based orthopaedic education. Expert-driven videos not only offer superior clarity, reliability, and actionable guidance but also align with the public's preference, suggesting broad applicability across orthopaedic subspecialties. CONCLUSION: TikTok represents a promising platform for enhancing orthopaedic education. Increasing healthcare professional engagement may improve the delivery of accurate, evidence-based content, ultimately advancing musculoskeletal health literacy and patient outcomes.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».