Communicating bad news to patients and families in African oncology settings
Notice bibliographique
Résumé
AIMS: To assess clinicians' self-reported knowledge of current policies in African oncology settings, of their personal communication practices around sharing bad news with patients, and to identify barriers to the sharing of serious news in these settings. METHODS: A cross-sectional study of cancer care providers in African oncology settings (N = 125) was conducted. Factor analysis was used to assess cross-cultural adaptation and uptake of an evidence-based protocol for disclosing bad news to patients with cancer and of providers' perceived barriers to disclosing bad news to patients with cancer. Analysis of Various (ANOVA) was used to assess strength of association with each dimension of these two measurement models by various categorical variables. RESULTS: Providers from Nigeria, Kenya, Ghana, and Rwanda represented 85% of survey respondents. Two independent, psychometrically reliable, multi-dimensional measurement models were derived to assess providers' personal communication practices and providers' perceived barriers to disclosing a cancer diagnosis. Forty percent (40%) of respondent nurses but only 20% of respondent physicians had had formal communications skills training. Approximately 20%-25% of respondent physicians and nurses reported having a consistent plan or strategy for communicating bad news to their cancer patients. CONCLUSIONS: Results show that effective communication about cancer diagnosis and prognosis requires an appreciation and clinical skill set that blends an understanding of cancer-related internalized stigmas harbored by patient and family, dilemmas posed by treatment affordability, and the need to navigate family wishes about cancer-related diagnoses in the context of African oncology settings. Findings underscore the need for culturally grounded communications research and program design.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».