End-of-Life Decision Making: How Patients, Substitutes, and Physicians Make Decisions
Notice bibliographique
Résumé
Abstract This tool was created to address a perceived gap in the education of our postgraduate internal medicine trainees around the practical aspects of end-of-life decision making. Based on an extensive up-to-date literature review of the topic, the PowerPoint presentation outlines several facets of end-of-life decision making: (1) components of these decisions and generally accepted definitions, (2) factors affecting patients' decisions, (3) substitute decision-maker accuracy, (4) physician-level factors affecting decision making, and (5) implications for everyday practice. The presentation is intended to be a springboard for an interactive discussion of experiences with end-of-life decisions and is best suited to an audience that has some experience with these situations (e.g., medical or surgical residents, ICU fellows, etc.). The session is 2 hours in duration, with a 10-minute break in the middle. It is possible to reduce the session to just 1 hour, but this will potentially curtail some of the discussion, which is likely to be the most stimulating and highest-rated component of the session. This session is unique in that it provides a forum for discussion, as well as an overview of the current state of the art in the factors known to influence end-of-life decision making. It has been presented as a 1-hour round for medical residents and students in two Toronto teaching hospitals. Although not formally evaluated, it was anecdotally highly rated by trainees at all levels.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».