Development and Evaluation of Serious Illness Conversation Training for Interprofessional Primary Care Teams
Notice bibliographique
Résumé
Background:Early advance care planning (ACP) conversations are essential to deliver patient-centered care. While primary care is an ideal setting to initiate ACP, such as Serious Illness Conversations (SICs), many barriers exist to implement such conversations in routine practice. An interprofessional team approach holds promises to address barriers. Design:An existing SIC training was adapted for IP-SIC and then implemented and evaluated for acceptability and effectiveness. Measures:Acceptability of the IP-SIC training and participants' self-reported likelihood to engage in ACP after the training. Results:The 156 participants were a mix of physicians and advanced practice providers (APPs) (44%), nurses and social workers (31%), and others (25%). More than 90% of all participants rated the IP-SIC training positively. While nurse/social worker and other groups were less likely than physician and APP group to engage in ACP before training (4.4, 3.7, and 6.4 on a 1–10 scale, respectively), all groups showed significant increase in likelihood to engage in ACP after the IP-SIC training (8.5, 7.7, and 9.2, respectively). Both physician/APP and nurse/social worker groups showed significant increase in likelihood to use the SIC Guide after the IP-SIC training, whereas an increase in likelihood to use SIC Guide among other groups was not statistically significant. Conclusion:The new IP-SIC training was well accepted by interprofessional team members and effective to improve their likelihood to engage in ACP. Further research exploring how to facilitate collaboration among interprofessional team members to maximize opportunities for more and better ACP is warranted.ClinicalTrials.gov ID: NCT03577002
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».