Navigating complexity in team‐based clinical settings
Notice bibliographique
Résumé
CONTEXT: Educators must prepare learners to navigate the complexities of clinical care. Training programmes have, however, traditionally prioritised teaching around the biomedical and the technical, not the socio-relational or systems issues that create complexity. If we are to transform medical education to meet the demands of 21st century practice, we need to understand how clinicians perceive and respond to complex situations. METHODS: Constructivist grounded theory informed data collection and analysis; during semi-structured interviews, we used rich pictures to elicit team members' perspectives about clinical complexity in neurology and in the intensive care unit. We identified themes through constant comparative analysis. RESULTS: Routine care became complex when the prognosis was unknown, when treatment was either non-existent or had been exhausted or when being patient and family centred challenged a system's capabilities, or participants' training or professional scope of practice. When faced with complexity, participants reported that care shifted from relying on medical expertise to engaging in advocacy. Some physician participants, however, either did not recognise their care as advocacy or perceived it as outside their scope of practice. In turn, advocacy was often delegated to others. CONCLUSIONS: Our research illuminates how expert clinicians manoeuvre moments of complexity; specifically, navigating complexity may rely on mastering health advocacy. Our results suggest that advocacy is often negotiated or collectively enacted in team settings, often with input from patients and families. In order to prepare learners to navigate complexity, we suggest that programmes situate advocacy training in complex clinical encounters, encourage reflection and engage non-physician team members in advocacy training.
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 | 0,003 | 0,007 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».