Continuing Professional Development for Primary Care Providers in Palliative and End-of-Life Care: A Systematic Review
Notice bibliographique
Résumé
Background and Objective: This review updates and expands on previous reviews of educational interventions for primary care providers (PCPs) involved in palliative and end-of-life care (PEoLC) and is the first to include early studies related to medical assistance in dying (MAiD). Methods: A comprehensive search strategy was conducted across five electronic databases to locate published interventional studies related to ongoing PEoLC and/or MAiD education for primary care professionals. A descriptive summary of results and a narrative discussion of common themes and comparisons are provided. Results: Thirty-seven studies met the inclusion criteria. The researchers found a myriad of interventions, including courses based, practical experience, mentoring, and workshops. The researchers categorized results by four domains: attitude, confidence, knowledge, and skills. Across domains, seven educational topics emerged: general care, interprofessional collaboration, nutrition, pain and symptom management, patient communication, and professional coping. Overall, studies employed various methodologies, but often relied on cross-sectionally measured self-assessment. Two articles were found that measured the impact of MAiD education. Conclusion: These findings suggest that PEoLC education can improve PCPs' perceived attitudes, confidence, knowledge, and skills across multiple areas of palliative care practice. While PCPs across studies valued educational interventions, the findings relating to the impact of PEoLC education on PCP's provision of effective PEoLC were unclear. However, most interventions resulted in enhanced confidence and knowledge. To date, there are only two studies that have examined MAiD educational programs. There is a need for studies of higher rigor with more emphasis on follow-up to clarify the impact training has on those involved in PEoLC and MAiD.
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 | 0,015 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».