Changing chronic disease primary care patients' participation through web training : does it make a difference?
Bibliographic record
Abstract
Contexte: La communication efficace entre les médecins et les patients peut améliorer les soins. Nous proposons qu’améliorer la participation des patients puisse conduire à une meilleure rétention de l'information au sujet des médicaments et à une atteinte des cibles de soins. Objectifs: Chez des patients atteints de maladies chroniques n’ayant pas atteint les cibles de soins, évaluer 1) l’impact d’une intervention web encourageant la participation lors de l’entrevue médicale sur l’atteinte de cibles de soins comparativement aux soins usuels (étude A); 2) quelles caractéristiques de communication médecin-patient prédisent la rétention des informations au sujet des médicaments discutés durant la consultation (étude B). Méthode : Le devis est un essai clinique aléatoire à simple insu. Les patients ont été répartis en trois groupes: a) soins usuels b) formation en ligne (e-Learning) c) formation en ligne combinée avec un atelier (e-Learning + atelier). Médecins, codeurs et personnel de recherche qui faisait l’extraction des données des dossiers médicaux étaient aveugles par rapport à la répartition. Contexte: L’étude s’est déroulée en Ontario dans neuf cliniques de première ligne ambulatoires en milieu urbain entre mars 2009 et septembre 2010. Population: Un échantillon de convenance de médecins de famille a été constitué selon les critères d’inclusion suivants : 1) avoir cinq années ou plus d’expérience clinique et 2) desservir une clientèle incluant des adultes atteints de maladies chroniques. Pour être éligibles les patients devaient : 1) être âgés de 40 ans ou plus, 2) parler anglais, 3) être capables d’utiliser un ordinateur pour des tâches simples routinières par exemple, accéder régulièrement à Internet ou au courriel, 4) avoir un suivi prévu 3 à 4 mois suivant la visite initiale d’inclusion, 5) permettre l’accès à leur dossier médical, 6) ne pas atteindre les cibles de soins selon les lignes directrices canadiennes et être traités pharmacologiquement soit pour de l’hypertension, du diabète type II ou de la dyslipidémie. . Description de l’intervention : La formation en ligne était basée sur l’approche PACE de Cegala (« Prepare, Ask, Check, Express »). Les participants au groupe e-Learning + atelier bénéficiait d’un atelier interactif additionnel qui visait l’apprentissage expérientiel des mêmes habiletés communicationnelles. Variables et instruments: Un enregistrement audio des consultations médicales a été fait. La communication médecin-patient a été analysée à l’aide de MEDICODE et du Système d’analyse de l’interaction de Roter. Les issues de santé, telle l’atteinte de cibles, ont été évaluées grâce aux valeurs de tension artérielle, d’hémoglobine glyquée et du profil lipidique consignées au dossier médical (étude A). La rétention des patients a été évaluée en comparant les réponses au questionnaire complété immédiatement après la consultation à l’enregistrement audio de la consultation (étude B). Analyses statistiques: Une régression de Poisson a servi pour l’analyse de l'atteinte de cibles. Des modèles linéaires mixtes ont été utilisés pour l’évaluation de la rétention. Résultats: Des patients ayant rencontré les critères d’inclusion (n=322), 221 se sont présentés pour leur visite de suivi. Les participants du groupe e-Learning ont atteint plus fréquemment leurs cibles de soins comparativement aux patients du groupe de soins usuels (RR =1.52, 95% CI [1.008-2.30]) (étude A). Pour les analyses de rétention, 159 patients ont été inclus. Sur une possibilité de discussion de six thèmes sur la médication, 2.5 ont été abordés en moyenne et les patients en ont retenu moins d’un. Des discussions abordant plus de thèmes, sous forme de dialogue et initiées plus fréquemment par le patient ont prédit une meilleure rétention de l’information (étude B). Conclusion: Les résultats des deux études indiquent que la participation active des patients aux consultations médicales a un impact positif sur l’atteinte des cibles de soins et la rétention des informations au sujet des traitements. Des outils en ligne promouvant la participation des patients sont des ajouts importants à la gestion des maladies chroniques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.038 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".