The Evolution and Dissemination of the Education in Palliative and End-of-Life Care Program
Notice bibliographique
Résumé
BACKGROUND: Even with growing numbers of fellowship-trained palliative care providers, primary palliative care knowledge and skills are needed to meet the national demands for palliative care. The Education in Palliative and End-of-Life Care (EPEC) Program has been one model of training clinicians in primary palliative care skills. In our second 5 years of development and dissemination, we have focused on adapting EPEC to different specialties. OBJECTIVE: Our aim was to describe the development of EPEC adaptations and document the dissemination of our curriculum. METHODS: The study design was a survey of EPEC trainers and documentation of other dissemination efforts via literature and Internet searches. Our subjects were all EPEC trainers and end-learners of our curriculum. We measured dissemination and teaching efforts by our trainers and evidence of EPEC use via literature and EPEC's searches. RESULTS: In Internet second 5 years of active development, teaching, and dissemination, we have created five major adaptations (EPEC-Oncology, EPEC-Oncology-Canada, EPEC-Emergency Medicine, EPEC-India, and EPEC for Veterans) and trained more than 1000 trainers. Through the efforts of these Trainers and our online dissemination, more than 74,000 reported end-learners have been taught parts of the EPEC curriculum. In addition, we discovered multiple medical school courses, continuing medical education (CME), courses and specialty guidelines that have incorporated material from EPEC. CONCLUSIONS: In its second 5 years, EPEC remains a robust platform for adaptation to new specialties and for dissemination of primary palliative care knowledge.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».