A focus on the burdens, boosters, and bonuses of the bearers of bad news in India
Notice bibliographique
Résumé
Objectives: This study was done to explore the experiences of physicians in India about being the messengers of bad news and management of psychosocial burdens associated with such consultations.Methods: Narrative data was collected from 27 physicians working in four teaching hospitals, using a semi-structured interview schedule.Constant comparison analytic procedures were used to examine physicians' perceptions and behaviors related to their role as the bearers of bad news.Results: Physicians perceived that being a messenger of bad news was very challenging throughout the course of their careers, although their self-confidence increased over time.Two types of patient care contexts were identified based on the intensity and duration of distress experienced by the physicians.Treatment failure with children and young adults, patients' inability to access care at the initial stages of the disease, and withdrawal of life-saving treatments due to financial constrains caused intense distress among physicians.Physicians used a number of strategies to cope with the burden of bearing bad news.Clinical bad news puts physicians at risk for burnout, and in some cases is an opportunity for growth.Conclusions: Clinical skill trainings should increase clinicians' ability to assess and attend to the psychosocial impacts of delivering bad news as much as teaching them the procedures of conveying such information.More studies about the impacts of bad news disclosure on physicians working in societies or settings with inequitable access to health care will improve such training programs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».