Implementing the Serious Illness Care Program in Safety Net Health Systems: A Qualitative Study
Notice bibliographique
Résumé
CONTEXT: Interventions to improve the quality of care for people affected by serious illness commonly fail to reach patients from marginalized and underserved communities, which include those characterized by racialized or indigenous identity, sexual and gender minority status, and rural living. Interventions to improve care through serious illness conversations have demonstrated benefit, but little is known about their implementation in health systems that predominantly serve these patient groups. OBJECTIVES: The study aimed to understand factors influencing implementation of a serious illness communication-focused intervention-the Serious Illness Care Program in health systems who primarily provide care to marginalized and underserved communities. METHODS: Qualitative interviews (16) and focus groups (3) were conducted with 19 interdisciplinary team members from six geographically diverse U.S. healthcare systems. Using a template analysis approach, investigators coded data inductively and deductively to identify themes. RESULTS: Three themes emerged: patient factors, intervention elements, and health system contextual factors. Participants highlighted mission-driven efforts, creativity, interprofessional practice, and trainees as enablers of success. They identified weaknesses in the intervention's communication tool-the Serious Illness Conversation Guide as barriers to implementation of conversations. Resource constraints, socio-economic vulnerability, and mistrust in the health system were seen as additional barriers. CONCLUSIONS: Health systems that provide care to underserved and marginalized communities face unique challenges implementing the Serious Illness Care Program. They also possess assets, some unique to these settings, that support program adoption. Findings suggest that implementation of similar programs in low-resource healthcare settings may help address unmet needs among marginalized populations.
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 | 0,027 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,017 | 0,007 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».