Shared decision-making in radiology: leadership levers for patient-centred imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Shared decision-making (SDM) is a cornerstone of patient-centred care, yet it has been underused in radiology. OBJECTIVE: To translate research into innovative strategies to empower radiology leaders to apply SDM and outline the cultural and structural changes required for meaningful integration into clinical practice. METHODS: This article synthesises case examples and evidence across imaging scenarios, evaluates emerging innovations and highlights leadership levers that can embed SDM as a core practice in radiology. RESULTS: Leadership interventions can transform radiology's contribution to SDM. Cases such as incidental pulmonary nodules, breast MRI in familial risk and Li-Fraumeni syndrome illustrate how radiologists can engage directly in preference-sensitive decisions. Key strategies include improving access to imaging data, using patient-friendly summaries, expanding opportunities for direct communication and incorporating patient-reported outcome measures, patient-reported experience measures and artificial intelligence (AI)-driven tools to support patient understanding. Barriers such as workflow demands, medicolegal uncertainty and lack of incentives can be addressed through leadership-driven reforms. CONCLUSIONS: Radiology plays a central role in care pathways, offers clinical and technical expertise and increasing patient-facing innovation. Leaders who embed SDM into training, workflows and systems can enhance radiology as a model of cutting-edge, patient-centred care. Clear actions include training, protected time, incentives, strategic application of AI and transformational leadership.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle