Genetic simulation for high‐stakes conversations
Notice bibliographique
Résumé
BACKGROUND: High-stakes conversations are frequent in Medical Genetics. News shared is often perceived as "bad" and can lead to patient hostility. Breaking bad news (BBN) is therefore a challenging clinical task for physicians and is often included as a foundational skill in medical education. The methods of teaching this skill are variable, with no widely accepted standard. We propose the use of simulation as a safe and effective training tool. APPROACH: Medical Genetics residents participated in a 4-week curriculum on BBN and de-escalating patient hostility and anger. The curriculum consisted of (1) a standardised patient simulation scenario requiring the disclosure of abnormal prenatal test result to a hostile patient, (2) coaching and feedback by genetic counsellors (GCs), (3) reflective exercises, and (4) workshops on de-escalation techniques. Trainees completed a postsimulation survey and postencounter reflection forms. Written comments on the survey and the reflections were analysed for themes. EVALUATION: Six junior and four senior residents participated in this curriculum innovation. Analysis of reflections revealed that simulation coupled with the genetic counsellor's (GC) timely feedback and reflection exercise were good education strategies for practicing BBN and de-escalation techniques in a challenging counselling situation. Most of the trainees felt that this teaching approach was successful and should be used for future training. IMPLICATIONS: Simulation can help prepare Medical Genetics trainees deliver difficult news and successfully de-escalate a hostile patient encounter. Consideration should be given to counselling and de-escalation simulations as a useful addition to standing curricula for Medical Genetics trainees.
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 | 0,000 |
| 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 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 ».