A blended learning for general practitioners and nurses on skills to support shared decision-making with patients about palliative cancer treatment: A one-group pre-posttest study
Notice bibliographique
Résumé
OBJECTIVE: To evaluate a newly developed blended learning programme for general practitioners (GPs) and nurses in supporting shared decision making (SDM) about palliative cancer treatment in a simulated setting. METHODS: In a pre-posttest study, healthcare professionals (HCPs) participated in the blended learning (i.e. e-learning and (online) training session). HCPs filled out surveys (T0 (baseline), T1 (after e-learning) and T2 (after full blended learning)) and engaged in simulated consultations at T0 and T2. The primary outcome was observed SDM support (Triple-S; DSAT-10 for validation). Secondary outcomes included satisfaction, knowledge about and attitude towards SDM support. Repeated measures General Linear Models were conducted. RESULTS: 33 HCPs (17 GPs and 16 nurses) participated. SDM support significantly improved after training (Triple-S; medium effect). Observers' overall rating of SDM support (medium effect) as well as HCPs' knowledge (large effect) and beliefs about their capabilities (medium effect) improved after training. There was no difference in decision support skills (DSAT-10), HCPs' other clinical behavioural intentions and satisfaction. HCPs evaluated the training positively. CONCLUSION: Blended learning for HCPs on supporting SDM in palliative cancer care improved their skills, knowledge and confidence in simulated consultations. PRACTICE IMPLICATIONS: These first findings are promising for evaluating interprofessional SDM in clinical practice.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».