Hospital Pharmacists’ Experiences with Medical Assistance in Dying: A Qualitative Study
Notice bibliographique
Résumé
Background: Pharmacists in many countries have long been involved in some aspect of assisted dying. Since 2016, when Canada enacted legislation permitting medical assistance in dying (MAiD), the number of patients seeking the procedure has increased yearly. Despite the global nature of pharmacists’ involvement, little is known about how they experience MAiD practice. Objective: To study how pharmacists experience the practice of caring for patients who seek MAiD. Methods: This qualitative study used semistructured interviews with pharmacists who had cared for patients seeking MAiD. Interviews, conducted between June 2019 and October 2020, were audio-recorded and transcribed verbatim. Data were examined using a modified framework analysis approach. Data were coded and sorted using Quirkos and Microsoft Excel software. Themes were defined through an iterative process involving constant comparison. Results: Nineteen hospital pharmacists representing a range of practice settings in Alberta participated in the study. The experience of caring for patients seeking assistance in dying brought to light 3 themes: finding a place in the process, serving in a caring role, and bearing emotional burdens. Pharmacists’ experiences were personal, relational, emotional, and dynamic. Conclusions: Each of the pharmacists experienced MAiD practice in a unique way. Although their roles in MAiD were primarily medication-focused, their experiences highlighted the centrality of patient choices, autonomy, and needs. The results of this study will inform pharmacists (including those not yet engaged in MAiD practice) about the role, and will also be valuable for pharmacy organizations and educators seeking to support pharmacists and the profession, as well as policy-makers seeking to expand pharmacists’ roles in MAiD. RÉSUMÉ Contexte : Les pharmaciens de nombreux pays participent depuis longtemps à certains aspects de l’aide médicale à mourir (AMM). Depuis que le Canada a adopté une loi l’autorisant en 2016, le nombre de patients qui demandent l’intervention a augmenté chaque année. Malgré la nature mondiale de l’implication des pharmaciens, on sait peu de choses sur la façon dont ils vivent la pratique de l’AMM. Objectif : Étudier comment les pharmaciens vivent la pratique de la prise en charge des patients qui sollicitent l’AMM. Méthodes : Cette étude qualitative a utilisé des entretiens semi-structurés avec des pharmaciens qui avaient pris en charge des patients ayant fait une demande d’AMM. Un enregistrement sonore des entretiens, menés entre juin 2019 et octobre 2020, a été effectué et ils ont été transcrits mot à mot. Les données ont été examinées en adoptant une approche d’analyse du cadre modifié. Les données ont été codées et triées à l’aide des logiciels Quirkos et Microsoft Excel. Les thèmes ont été définis par un processus itératif impliquant une comparaison constante. Résultats : Dix-neuf pharmaciens d’hôpitaux représentant un éventail de milieux de pratique en Alberta ont participé à l’étude. L’expérience de la prise en charge de patients cherchant à recevoir l’aide médicale à mourir a mis en lumière 3 thèmes : trouver sa place dans le processus; jouer un rôle de proche aidant; et supporter des charges émotionnelles. Les expériences des pharmaciens étaient personnelles, relationnelles, émotionnelles et dynamiques. Conclusions : Chaque pharmacien a vécu la pratique de l’AMM d’une manière unique. Bien que leurs rôles dans l’AMM étaient principalement axés sur la médication, leurs expériences ont mis en évidence la centralité des choix, de l’autonomie et des besoins des patients. Les résultats de cette étude informeront les pharmaciens (y compris ceux qui ne sont pas encore engagés dans la pratique de l’AMM) sur le rôle. Ils seront également précieux pour les organismes pharmaceutiques et les éducateurs cherchant à soutenir les pharmaciens et la profession, ainsi que pour les décideurs politiques qui cherchent à élargir les rôles de pharmaciens dans l’AMM.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».