A step-by-step approach to patients leaving against medical advice (AMA) in the emergency department
Notice bibliographique
Résumé
OBJECTIVES: Patients leaving against medical advice (AMA) can be distressing for emergency physicians trying to navigate the medical, social, psychological, and legal ramifications of the situation in a fast-paced and chaotic environment. To guide physicians in fulfilling their obligation of care, we aimed to synthesize the best approaches to patients leaving AMA. METHODS: We conducted a scoping review across various fields of work, research context and methodology to synthesize the most relevant strategies for emergency physicians attending patients leaving AMA. We searched Medline, CINAHL, PSYCHO Legal Source, PsycINFO, PsycEXTRA, Psychological and Behavioural Sciences collection, SocIndex and Scopus. Search strategies included controlled vocabulary (i.e., MESH) and keywords relevant to the subject chosen by a team of four people, including two specialized librarians. RESULTS: The literature review included 34 relevant papers about approaches to patients leaving AMA: 8 case presentations, 4 ethical case analyses, 10 legal letters, 4 reviews and 8 original studies. The main identified strategies were prioritizing a patient-centered approach, proposing alternative discharge and reducing harm while properly documenting the encounter. CONCLUSION: A systematic approach to patients leaving AMA could help improve patient care, support physicians and decrease stigmatization of this population. We advocate that emergency physicians should receive training on how to approach patients leaving AMA to limit the impact on this vulnerable population.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 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 ».