Identification of clinician challenges in order to drive the development of competency-based education: results from an international needs assessment in multiple sclerosis
Notice bibliographique
Résumé
Objective. To highlight clinical gaps of neurologists and nurses regarding their skills and confidence in engaging and communicating with multiple sclerosis (MS) patients to inform the design of continuing medical education (CME) initiatives. Methods. This international IRB-approved study deployed in six countries (France, Germany, Italy, Spain, UK and USA), utilised a mixed-methods approach (qualitative interviews and an online survey) to explore the self-reported challenges of neurologists and nurses across the spectrum of MS care. Results. The sample included actively practising neurologists (n=148) and nurses (n=146), 42% of whom had an annual caseload of 150+ MS patients. The participants reported challenges in assessing patients’ adherence to treatment, engaging patients in shared decision-making and communicating confidently with patients and caregivers. Participants reported their own skill and confidence deficits as potential causalities for these challenges. Conclusion. Results suggest that neurologists and nurses would be receptive to education to develop their skills with regard to communication with patients and caregivers. CME and performance improvement initiatives should address the clinical challenges identified in this study to optimise clinicians’ effectiveness and patient outcomes. Patient–provider communication skills represent a priority area for the development of CME and performance improvement initiatives.
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 | 0,003 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».