Factors leading to acceptance of and willingness to pay for predictive testing among chronically Ill patients
Notice bibliographique
Résumé
Background: Personalized medicine can lower healthcare system costs and help ensure that chronic patients get the most appropriate treatment for their individual illness. However, individual factors leading to acceptance of personalized medicine technologies such as predictive testing by chronic patients remain largely unknown. Objectives: This study was aimed at identifying individual sociodemographic factors leading to the acceptance of predictive testing in chronic patients and their willingness to pay for these tests. Design and methods: A web survey was conducted with 210 Canadian patients affected by Inflammatory Bowel Disease (IBD). The data was processed using the SPSS software. Inferential statistical analyses were conducted using the chi square test. Results: Chronic patients were massively in favour of undergoing a genetic test that could predict response to treatment options, and the majority were in favour of paying for the test. While the population in general has concerns regarding genetic testing, the present study indicates that the seriousness of chronic illness along with side effects of treatments leads to a higher acceptance among patients. Only the yearly number of consultations was positively related to acceptance and willingness to pay. Conclusions: While previous studies have reported resistance to genomic technologies amongst the general population, the present study demonstrates that chronic patients are largely open to genetic predictive testing. Furthermore, a vast majority was even prepared to pay for such tests. Clinicians, healthcare organizations and pharmaceutical companies should take this result into consideration when building and promoting predictive testing options. Based on these findings, future studies are warranted for further investigating and characterizing patients’ perception towards genetic predictive testing across other chronic illnesses.
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 | 0,001 | 0,008 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».