Introduction of a patient communication course to postgraduate oncology training in Russia.
Notice bibliographique
Résumé
11022 Background: Communication skills are an obligatory part of postgraduate oncology education in European and Western countries and its benefits for doctors, patients, and the healthcare system are well-known. However, teaching efficient patient communication is challenging in developing countries where the paternalistic model is still spread and medical professionals are unaware that these skills are lacking. We hypothesize that a short simulation-based course for oncology residents introduces communication skills and raises awareness about its value. Methods: A 2-day communication course based on the Calgary-Cambridge model was taught to a cohort of PGY2 oncology residents. Lectures, seminars, and clinical simulations emphasizing a patient-centered approach, including open questions, active listening, identifying patient concerns, empathy, summarizing, and bad news delivery were conducted by certified teacher. A simulation exam was administered to those who completed the communication course and those who did not complete the course. Scores (max. 130) from two clinical scenarios assessed by the examiner, actors, and participant were compared between groups. Results: Ten PGY2 residents completed the course and seven did not complete the course. Medians scores for the first scenario given by the examiner, actor and resident were 99 (IQR: 90 – 122), 125 (IQR: 122 – 127) and 102 (IQR: 91 – 108) for course participants and 15 (IQR: 7-35), 18 (IQR: 12-34) and 61 (IQR: 41-83) for non-participants, respectively. Medians scores for the second scenario were also higher in participant group: 113.5 (IQR: 100-117), 107 (IQR: 98-118) and 104 (IQR: 99-112) vs. 22 (IQR: 12-50), 18 (IQR: 10 - 44) and 66 (IQR: 43-81), respectively. Four (40%) course participants and seven (100%) non-participants evaluated themselves higher than the examiner and actor. Conclusions: A short patient communication course for young oncologists effectively improves communication skills and provider self-awareness in developing countries.
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 | 0,001 | 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 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,003 |
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 ».