Patients needs for information and knowledge in type 2 diabetes : An explorative study about the needs for information and knowledge based on gender, HbA1c, age, education and duration
Notice bibliographique
Résumé
Bakgrund Diabetes typ 2 är en av de snabbast växande sjukdomarna i både Sverige och resten av världen. Vid diabetes typ 2 utgör egenvård en betydande del av behandlingen och för att klara detta behövs kunskap om sjukdomen. I sjuksköterskeyrket ingår att förse patienter med information och kunskap, bland annat genom patientundervisning. Ett flertal studier beskriver hur information och kunskap uppfattas av patienter och hur det på bästa sätt förmedlas till dem. Däremot saknas ett instrument som mäter patienternas befintliga kunskap om sjukdomen och hur de värderar information. Syfte Syftet med arbetet är att undersöka hur informations- och kunskapsbehovet vid diabetes typ 2 varierar utifrån kön, HbA1c, ålder, utbildning och duration samt identifiera de frågor där informations- och kunskapsbehovet är störst respektive lägst. Metod Arbetet grundas på en kvantitativ enkät utformad efter The Toronto Informational Needs Questionnaire-Breast Cancer och är analyserat utifrån data från 86 patienter. Frågor ur denna enkät har behandlats i dataprogrammet Statistical Package for the Social Sciences och presenteras som deskriptiv statistik. Den teoretiska utgångspunkten för arbetet är Lazarus och Folkmans teori. Resultat Det finns ett behov av såväl mer information som kunskap hos alla de grupper som undersökts. Skillnader dem emellan kunde urskiljas. De grupper som rankat informations- och kunskapsbehovet högst är kvinnor och personer som haft diabetes typ 2 i mer än 11 år. Män rankar vikten av information lägre och anser sig i större utsträckning ha den kunskap de behöver. Frågor där information av patienterna anses vara mycket viktigt rör medicinska frågor. Kunskap kring hur sociala frågor ska hanteras värderades lägst. Diskussion Informationssökning är ett sätt att hantera den situation som uppstår när en människa drabbas av sjukdom. Hur varierar behovet mellan olika demografiska variabler som kön, ålder, utbildning, HbA1c, och duration? Hur värderar patienterna sin kunskap? Inom vilka områden finns informationsbehov och kunskapsluckor?
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,016 |
| 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 ».