Bereavement Practices of Physicians in Oncology and Palliative Care
Notice bibliographique
Résumé
BACKGROUND: Cancer physicians frequently interact with dying patients, but little is known about these physicians' practices. The purpose of this study was to evaluate the frequency and nature of bereavement practices among medical oncologists (MOs), radiation oncologists (ROs), and palliative care specialists (PCs); and to identify factors associated with bereavement follow-up. METHODS: Survey of all Canadian MOs, ROs, and PCs via their respective national organizations using an anonymous electronic and postal mail survey. RESULTS: A total of 535 of 756 eligible physicians completed the survey (71%). Overall, 33.3% (95% confidence interval [CI], 29.3%-37.4%) of respondents indicated that they usually or always make a telephone call, send a condolence card, or attend a funeral following a patient's death; 30.5% (95% CI, 26.5%-34.4%) reported performing at least 1 of these practices sometimes; and 36.2% (95% CI, 32.1%-40.3%) reported performing at least 1 of these practices rarely or never. Among the specific practices, respondents were more likely to call a family at least sometimes than to send a condolence card or attend funeral services. Palliative care specialists reported the highest rates of bereavement follow-up. In multivariate regression analysis, female sex, working in an academic setting, palliative care specialty, lack of formal palliative care program, endorsement of the statement that physicians had a responsibility to send a condolence card, and high number of patient deaths were associated with more frequent bereavement follow-up. CONCLUSIONS: Few cancer physicians provide bereavement follow-up routinely. This suggests that consensus is lacking among cancer physicians regarding their role in bereavement 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 | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».