AfterWards: A Narrative Medicine Program at Johns Hopkins Medicine and in China
Notice bibliographique
Résumé
Narrative medicine is a multidisciplinary field of inquiry and practice based on the premise that medical care takes place in the context of stories. Research on narrative medicine training suggests that it conveys benefits such as improved communication skills and personal and professional growth to physicians, medical students, and other health care providers. Narrative medicine can promote empathy and trust between patients and physicians and foster self-care. In 2014, the author and a colleague started an ongoing inter-disciplinary narrative medicine program in the Children’s Center of the Johns Hopkins Hospital called AfterWards. The program, which meets monthly, is open to all on a volunteer basis. Through literature, art, and writing, AfterWards nurtures empathy, encourages reflective practice, and builds community among a diverse group of health care providers. Through a series of lectures and workshops at Johns Hopkins Medicine, Peking Union Medical College, and Fudan Hospital in Shanghai, the author has introduced AfterWards to Chinese medical educators and clinicians. Working with Dr. Marta Hanson, she created an AfterWards Facilitator’s Guide for the use of Chinese practitioners. A recent White Paper on Chinese health care indicates that an infusion of humanities-based education, of which narrative medicine forms a part, can help rebuild patient-physician trust. Recently, there has been an increase in interest in narrative medicine in the United States and China. However, more research is needed to demonstrate the impact of programs like AfterWards. Challenges to the implementation of narrative medicine programs remain, most significantly in terms of expertise, resources, and time.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».