Poor Communication in Cancer Care
Notice bibliographique
Résumé
BACKGROUND: Communication in cancer care is a recognized problem for patients. Research to date has provided limited relevant knowledge toward solving this problem. OBJECTIVE: Our research program aims to understand helpful and unhelpful communication from the patient perspective and to document changes in patient needs and priorities over time. In this analysis, we focus on patient perceptions of poor communication. METHODS: Using a qualitative longitudinal approach informed by interpretive description methodology, we are following a cohort of adult cancer patients across their cancer journey. We used constant comparative analysis of repeated interviews to examine thematic patterns in their perceptions and interpret both commonalities and diversities. RESULTS: Patient accounts reveal 3 types of poor communication. "Ordinary misses" are everyday missteps for which maturation and socialization may be an adequate solution. "Systemic misunderstandings" are assumptive gaps between patients and professionals, which may be addressed through qualitative research. "Repeat offenders" are a subset of clinicians whose communication patterns become a particular source of patient distress. CONCLUSIONS: This typology offers a novel way to conceptualize the problem of poor communication in cancer care toward more effective solutions for the communication problem. Managing the communication of a problematic subset of clinicians will likely require strategic interventions at the level of organizational culture and models of care. IMPLICATIONS FOR PRACTICE: Nurses can play a meaningful role in detecting and buffering sources of poor communication in the practice context. Addressing poor communication may be a further reason to advocate for interprofessional team-based care models.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».