Barriers and facilitators to the implementation of audio-recordings and question prompt lists in cancer care consultations: A qualitative study
Notice bibliographique
Résumé
OBJECTIVE: Question prompt lists (QPLs) and consultation audio-recordings (CARs) are two communication strategies that can assist cancer patients in understanding and recalling information. We aimed to explore clinician and organisational barriers and facilitators to implementing QPLs and CARs into usual care. METHODS: Semi-structured interviews with twenty clinicians and senior hospital administrators, recruited from four hospitals. Interviews were recorded, transcribed verbatim and thematic descriptive analysis was utilised. RESULTS: CARs and QPLs are to some degree already being initiated by patients but not embedded in usual care. Systematic use should be driven by patient preference. Successful implementation will depend on minimal burden to clinical environments and feedback about patient use. CARs concerns included: medico-legal issues, ability of the CAR to be shared beyond the consultation, and recording and storage logistics within existing medical record systems. QPLs issues included: applicability of the QPLs, ensuring patients who might benefit from QPL's are able to access them, and limited use when there are other existing communication strategies. CONCLUSIONS: While CARs and QPLs are beneficial for patients, there are important individual, system and medico-legal considerations regarding usual care. PRACTICE IMPLICATIONS: Identifying and addressing practical implications of CARs and QPLs prior to clinical implementation is essential.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».