Planning and Providing End‐of‐life Care in Rural Areas
Notice bibliographique
Résumé
CONTEXT: Approximately 20% of North Americans and 25% of Europeans reside in rural areas. Planning and providing end-of-life (EOL) care in rural areas presents some unique challenges. PURPOSE: In order to understand these challenges, and other important issues or circumstances, a literature search was conducted to assess the state of science on rural EOL care. METHODS: The following databases were searched for articles published from 1988 through 2003: EMBASE, Medline, CINAHL, AHMED, Psychinfo, ERIC, HealthStar, Sociological Abstracts, and Cochrane. All articles were systematically reviewed. FINDINGS: Thirty-six research articles were identified. Only 1 randomized controlled trial was located. Most research was single site, small sample, and exploratory/descriptive in design. Four distinct foci in this body of research were noted: (1) identifying and describing differences between urban and rural EOL care; (2) exploring rural EOL care; (3) assessing the EOL needs and wishes of terminally ill or dying persons, their family members, and health care professionals in rural areas; and (4) exploring EOL education for rural EOL care providers. CONCLUSIONS: Although rural EOL care research is not extensive, the existing literature is helpful for realizing the importance of EOL care in rural communities, as well as for conceptualizing and planning EOL care in rural communities. One of the chief considerations for rural EOL care is that dying at home is a common wish, with home-based nursing care a key factor for this to become a reality. Another chief consideration is ensuring all rural health care professionals are both prepared for and supported while delivering EOL care.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».