Differences in goals of care discussion outcomes among healthcare professionals: an observational cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Goals of care discussions ensure patients receive the care that they want. Recent studies have recognized the opportunity for allied health professionals, such as nurses, in facilitating goals of care discussions. However, the outcomes of such interventions are not well studied. AIM: To compare the outcomes of goals of care discussions led by physicians and nurses. DESIGN: This is a retrospective cohort study of patients admitted to an Internal Medicine unit from January 2018 to August 2019. A comprehensive chart review was performed on a random sample of patients. Patient's decision to accept or refuse cardiopulmonary resuscitation was recorded and analyzed. Analysis was stratified by patients' comorbidity burden and illness severity. SETTING/PARTICIPANTS: The study took place at a tertiary care center and included 200 patients. Patients aged ⩾ 18 were included. Patients who have had pre-existing goals of care documentation were excluded. RESULTS: = 0.003). Multiple regression showed that patients with higher comorbidity burden (OR 0.71, 95% CI: 0.62-0.82), more severe illness (OR 0.89, 95% CI 0.88-0.99), and physician-led goals of care discussions (OR 0.30, 95% CI: 0.15-0.62) were less likely to accept cardiopulmonary resuscitation. CONCLUSIONS: There was a significant difference between the outcomes of goals of care discussions led by nurses and physicians. Patients were more likely to accept aggressive resuscitative measures in nurse-led goals of care discussions. Further research efforts are needed to identify the factors contributing to this discrepancy, and to devise ways of improving goals of care discussion 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».