Knowledge gaps, attitudes, and practices regarding end-of-life medical care among physicians in an academic medical center
Notice bibliographique
Résumé
<b>Introduction:</b> End-of-life medical care (ELMC) plans and do-not-resuscitate (DNR) decision-making are usually affected by multiple factors compared to other medical care decisions.<b> </b>ELMC and DNR policy implementation are still diversified and heterogeneous, especially in Saudi Arabia, because policymakers have adopted no guidelines. Thus, this study investigated physicians’ knowledge, attitude, and practice regarding ELMC and DNR.<br /> <b>Methods:</b> A cross-sectional study design was adopted. Three hundred physicians working at King Fahad Hospital of the University, Khobar, Saudi Arabia, were randomly selected and administered an anonymous self-administered questionnaire using the Likert scale. Data analysis was carried out using SPSS 23.0.<br /> <b>Results: </b>Of 300 distributed questionnaires, 264 (88%) were completed and analysed. Knowledge gaps and negative attitudes were observed, a quarter of the participants were opposed to issuing a DNR order, and 29.0% considered DNR as equal to euthanasia as they practice. The participants’ patient age and religious factors were the most critical factors in the ELMC plan and DNR decision. The physician’s level of acceptance regarding a set of ELMC interventions and DNR decisions showed heterogenicity and uncertainty among participants.<br /> <b>Conclusions:</b> The ELMC plan and DNR decision-making should be appropriately addressed in the medical residents’ training programs to bridge the knowledge gap and the physicians’ negative attitudes during their practice. Additionally, there is a need to update and unify the DNR policies at the national level, considering the patient’s right to be informed and involved actively during the decision process making. Finally, more prospective research is needed for the global standardization of ELMC.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».