Evaluating the Effectiveness of the SPIKES Model to Break Bad News – A Systematic Review
Notice bibliographique
Résumé
Introduction: Breaking bad news to patients and families can be challenging for healthcare providers. The present study conducted a systematic review of the literature to determine if formal communication training using the SPIKES protocol improves learner satisfaction, knowledge, performance, or system outcomes. Method: MEDLINE, Embase, CINAHL Plus (Nursing & Allied Health Sciences), and PsycINFO Databases were searched with keywords BAD NEWS and SPIKES. Studies were required to have an intervention using the SPIKES model and an outcome that addressed at least one of the four domains of the Kirkpatrick model for evaluating training effectiveness. The Cochrane Risk of Bias Tool was used to conduct a risk of bias assessment. Due to heterogeneity in the interventions and outcomes, meta-analysis was not undertaken and instead, a narrative synthesis was used with the information provided in the tables to summarise the main findings of the included studies. Results: Of 622 studies screened, 37 publications met the inclusion criteria. Interventions ranged from the use of didactic lecture, role play with standardised patients (SPs), video use, debriefing sessions, and computer simulations. Evaluation tools ranged from pre and post intervention questionnaires, OSCE performance with rating by independent raters and SPs, and reflective essay writing. Conclusions: Our systematic review demonstrated that the SPIKES protocol is associated with improved learner satisfaction, knowledge and performance. None of the studies in our review examined system outcomes. As such, further educational development and research is needed to evaluate the impact of patient outcomes, including the optimal components and length of intervention.
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 | 0,008 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».