Enhancing Medical Learners’ Knowledge of, Comfort and Confidence in Holding Serious Illness Conversations
Notice bibliographique
Résumé
Objectives: Having early discussions with seriously ill patients about their priorities and values can improve their peace of mind and family outcomes during bereavement; however, physicians and medical students report feeling underprepared to hold serious illness conversations. We evaluated the impact of the Serious Illness Care Program clinician training workshop on medical learners’ knowledge of comfort and confidence in holding such conversations. Methods: Eligible learners were penultimate- or final-year medical students or first-year residents of generalist programs (Family Medicine, Internal Medicine). Learners participated in a 2.5-hour workshop involving reflection on serious illness discussions, didactic teaching and demonstration of the Serious Illness Conversation Guide (SICG), role play with standardized patients, direct observation, and feedback from experts. Participants completed pre- and post-intervention questionnaires with Likert-type scale and open-ended questions, which were analyzed using paired t tests and qualitative content analysis, respectively. Results: We enrolled 25 learners. The intervention was associated with an increase in knowledge ( P < .001) and self-efficacy ( P < .001). All learners reported gaining new skills, with a majority specifically identifying a framework for structuring serious illness conversations in the qualitative analysis (n = 14, 56%). Participants stated the workshops would improve their comfort in holding serious illness conversations (n = 24, 96%), and that it would be valuable to integrate the workshops into their formal curricula (n = 23, 92%). Conclusions: Training on the use of the SICG is novel for medical students and first-year residents and associated with the improvement in their knowledge of and perceived capacity to hold serious illness conversations. This study suggests that the integration of SICG training into medical curricula may have educational value.
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 | 0,003 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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; 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 ».