Impact of Medical Assistance in Dying on palliative care: A qualitative study
Notice bibliographique
Résumé
BACKGROUND: Medical Assistance in Dying comprises interventions that can be provided by medical practitioners to cause death of a person at their request if they meet predefined criteria. In June 2016, Medical Assistance in Dying became legal in Canada, sparking intense debate in the palliative care community. AIM: This study aims to explore the experience of frontline palliative care providers about the impact of Medical Assistance in Dying on palliative care practice. DESIGN: Qualitative descriptive design using semi-structured interviews and thematic analysis. SETTINGS/PARTICIPANTS: We interviewed palliative care physicians and nurses who practiced in settings where patients could access Medical Assistance in Dying for at least 6 months before and after its legalization. Purposeful sampling was used to recruit participants with diverse personal views and experiences with assisted death. Conceptual saturation was achieved after interviewing 23 palliative care providers (13 physicians and 10 nurses) in Southern Ontario. RESULTS: Themes identified included a new dying experience with assisted death; challenges with symptom control; challenges with communication; impact on palliative care providers personally and on their relationships with patients; and consumption of palliative care resources to support assisted death. CONCLUSION: Medical Assistance in Dying has had a profound impact on palliative care providers and their practice. Communication training with access to resources for ethical decision-making and a review of legislation may help address new challenges. Further research is needed to understand palliative care provider distress around Medical Assistance in Dying, and additional resources are necessary to support palliative care delivery.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».