National Impact of the EPEC-Pediatrics Enhanced Train-the-Trainer Model for Delivering Education on Pediatric Palliative Care
Notice bibliographique
Résumé
BACKGROUND: Lack of pediatric palliative care (PPC) training impedes successful integration of PPC principles into pediatric oncology. OBJECTIVES: -Pediatrics) curriculum on the following: (1) knowledge dissemination; (2) health professionals' knowledge; (3) practice change; and (4) quality of PPC. DESIGN: An integrated knowledge translation approach was used with pre-/posttest evaluation of care quality. Setting/Subjects/Measurements: Regional Teams of 3-6 health professionals based at 15 pediatric oncology programs in Canada became EPEC-Pediatrics Trainers who taught the curriculum to health professionals (learners) and implemented quality improvement (QI) projects. Trainers recorded the number of learners at each education session and progress on QI goals. Learners completed knowledge surveys. Care quality was assessed through surveys with a cross-sectional sample of children with cancer and their parents about symptoms, quality of life, and care quality plus reviews of deceased patients' health records. RESULTS: Seventy-two Trainers taught 3475 learners; the majority (96.7%) agreed that their PPC knowledge improved. In addition, 10/15 sites achieved practice change QI goals. The only improvements in care quality were an increased number of days from referral to PPC teams until death by a factor of 1.54 (95% confidence interval [CI] = 1.17-2.03) and from first documentation of advance care planning until death by a factor of 1.50 (95% CI = 1.06-2.11), after adjusting for background variables. CONCLUSION: While improvements in care quality were only seen in two areas, our approach was highly effective in achieving knowledge dissemination, knowledge improvement, and practice change goals.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».