Decision coaching for people with kidney failure: A case study
Notice bibliographique
Résumé
BACKGROUND: Little is known about the usefulness of decision coaching for people with kidney failure facing decisions about end-of-life care. OBJECTIVES: To investigate experiences of people with kidney failure who received decision coaching for end-of-life care decisions. DESIGN: We conducted a prospective case study bound by time (September to December 2021), location (one nephrology department), and guided by the Ottawa Decision Support Framework. PARTICIPANTS: Adults with kidney failure facing end-of-life care decisions. MEASUREMENTS: A nurse trained in decision coaching screened for unmet decisional needs with the SURE test and provided decision coaching using the Ottawa Personal Decision Guide. Postcoaching, the participants were rescreened using the SURE test and interviewed to explore their experience with decision coaching. Change in SURE test findings was analysed descriptively and systematic text condensation was used for the analysis of interviews. Recorded decision coaching sessions underwent content analysis using the Decision Support Analysis Tool. RESULTS: Decision coaching was provided to four adults with kidney failure. Median pre-SURE test score was 2.5 (range 2-4) and posttest score was 3 (range 3-4), indicating a decrease in decisional needs. Participants described that decision coaching provided an overview of features of options to consider, identified remaining decisional needs for further discussion with relatives and health professionals and clarified next steps. Median Decision Support Analysis Tool score was 9 (range 8-9). CONCLUSIONS: After decision coaching, results suggest that the participants experienced fewer decisional needs and seemed clearer about the next steps in the decision making process.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».