Use of Video Technology in End-of-Life Care for Hospitalized Patients During the COVID-19 Pandemic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Infection control protocols, including visitor restrictions, implemented during the COVID-19 pandemic threatened the ability to provide compassionate, family-centered care to patients dying in the hospital. In response, clinicians used videoconferencing technology to facilitate conversations between patients and their families. OBJECTIVES: To understand clinicians' perspectives on using videoconferencing technology to adapt to pandemic policies when caring for dying patients. METHODS: A qualitative descriptive study was conducted with 45 clinicians who provided end-of-life care to patients in 3 acute care units at an academically affiliated urban hospital in Canada during the first wave of the pandemic (March 2020-July 2020). A 3-step approach to conventional content analysis was used to code interview transcripts and construct overarching themes. RESULTS: Clinicians used videoconferencing technology to try to bridge gaps in end-of-life care by facilitating connections with family. Many benefits ensued, but there were also some drawbacks. Despite the opportunity for connection offered by virtual visits, participants noted concerns about equitable access to videoconferencing technology and authenticity of technology-assisted interactions. Participants also offered recommendations for future use of videoconferencing technology both during and beyond the pandemic. CONCLUSIONS: Clinician experiences can be used to inform policies and practices for using videoconferencing technology to provide high-quality end-of-life care in the future, including during public health crises.
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.
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 | 0,000 | 0,003 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle