Assessing patient education materials about low back pain for understandability, actionability, quality, readability, accuracy, comprehensiveness, and coverage of information about patients’ needs
Notice bibliographique
Résumé
BACKGROUND: Patients have unhelpful beliefs about low back pain (LBP), which are associated with worse outcomes. Education may modify these beliefs, but patients with LBP rarely receive education in practice. Patient education materials (PEMs) are a quick, inexpensive intervention to support information provision. OBJECTIVES: assess PEMs for understandability, actionability, quality, readability, accuracy, comprehensiveness, and coverage of information about patients' needs to identify the best PEMs for practice. METHODS: We searched published literature for PEMs tested in randomized trials or recommended in clinical guidelines. We used the Patient Education Materials Assessment Tool (PEMAT) to assess understandability and actionability, DISCERN to assess quality, the Patient Information and Education Needs Checklist for Low Back Pain (PINE-LBP) to assess information need coverage, and the Flesch Reading Ease (FRE) and Flesch-Kincaid Grade-Level (FKGL) algorithms to assess readability. We assessed accuracy (proportion of treatment recommendations aligning with guidelines) and comprehensiveness (proportion of correctly covered guideline recommendations), and qualitatively synthesized PEM content relating to 21 information and education needs about LBP. RESULTS: Nineteen PEMs were included. None were actionable or comprehensive, and many had inaccurate treatment recommendations. There was considerable variation and conflicting information in the content provided across PEMs. Only the My Back Pain website met acceptable standards for more than half (4/7) outcomes. CONCLUSIONS: Educational messaging for LBP varies substantially and PEMs require improvement in various areas. The My Back Pain website met acceptable standards across most outcomes and may be the best available option for practice.
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 | 0,031 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».