An Online Training Program to Improve Clinicians’ Skills in Communicating About Serious Illness
Notice bibliographique
Résumé
BACKGROUND: Large-scale efforts to train clinicians in serious-illness communication skills are needed, but 2 important gaps in knowledge remain. (1) No proven training method exists that can be readily scaled to train thousands of clinicians. (2) Though the value of interprofessional collaboration to support incapacitated patients' surrogates is increasingly recognized, few interventions for training intensive care unit (ICU) nurses in important communication skills can be leveraged to provide interprofessional family support. OBJECTIVE: To develop and test a web/videoconference-based platform to train nurses to communicate about serious illness. METHODS: A user-centered process was used to develop the intervention, including (1) iteratively engaging a stakeholder panel, (2) developing prototype and beta versions of the platform, and (3) 3 rounds of user testing with 13 ICU nurses. Participants' ratings of usability, acceptability, and perceived effectiveness were assessed quantitatively and qualitatively. RESULTS: Stakeholders stressed that the intervention should leverage interactive learning and a streamlined digital interface. A training platform was developed consisting of 6 interactive online training lessons and 3 group-based video-conference practice sessions. Participants rated the program as usable (mean summary score 84 [96th percentile]), acceptable (mean, 4.5/5; SD, 0.7), and effective (mean, 4.8/5; SD, 0.6). Ten of 13 nurses would recommend the intervention over 2-day in-person training. CONCLUSIONS: Nurses testing this web-based training program judged it usable, acceptable, and effective. These data support proceeding with an appropriately powered efficacy trial.
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 | 0,007 |
| 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 | 0,003 |
| 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 ».