Learning to provide humanistic care and support in the context of chronic illness: Insights from the narratives of healthcare professionals in hemato-oncology
Notice bibliographique
Résumé
PURPOSE: To document the process by which healthcare professionals (HCPs) support people living with and beyond hematological cancer and detail how they learned from their personal and clinical experience. METHOD: Using a narrative approach, we conducted nine semi-structured interviews with HCPs, including nurses, from a specialized care centre who support patients with hematological cancer. Interviews aimed to capture experiential learning gained from their practice. We performed a hybrid inductive/deductive content analysis on data using a framework based on sociological and educational models of experiential learning. RESULTS: Among healthcare professionals, analysis revealed the need to provide care and support that is 'humane' and adapted to each patient. Learning to provide this type of care proved to be challenging. Over the course of their clinical experience, healthcare professionals learned to adapt the support they provided by straddling a boundary between sympathy and empathy. Learning outcomes were associated with personal-professional development among participants. CONCLUSION: Our findings bring to light an overlooked facet of patient support in the context of cancer care, which is the acquisition of the soft skills required to deliver humanistic care and support. This learning process requires time and involves navigating between the realms of sympathy and empathy. Experiential learning is intertwined with the complexity of the often long-term patient-professional relationship that characterizes hemato-oncology. This unique relationship offers rewards for healthcare professionals on both personal and professional fronts.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».