Long-Term Effects of Individual-Focused and Team-Based Training on Health Professionals’ Intention to Have Serious Illness Conversations: A Cluster Randomised Trial
Notice bibliographique
Résumé
We aimed to measure the sustainability of health professionals’ intention to have serious illness conversations with patients using the Serious Illness Conversation Guide (SICG) after individual-focused training versus team-based training. In a cluster randomised trial, we trained healthcare professionals in 40 primary care clinics and measured their intention to hold serious illness conversations immediately (T1), after 1 year (T2) and after 2 years (T3). Primary care clinics (n = 40) were randomly assigned to individual-focused training (comparator) or team-based training (intervention). Average age of the 373 participants was 35–44 years, 79% were women. On a scale of 1 to 7, at T1, the mean intention was 5.33 (SD 0.20) in the individual-focused group and 5.36 (SD 0.18) in the team-based group; at T2, these scores were 4.94 (SD 0.23) and 4.87 (SD 0.21) and at T3, 5.14 (SD 0.24) and 4.59 (SD 0.21), respectively. At T3, the difference in mean intention between study groups had a significant p-value of 0.01. Intention to have serious illness conversations was lower at T2 and T3 after team-based training than after individual-focused training, with a significant difference at 2 years in favour of individual-focused training. Health professionals reported not enough time during consultations for serious illness conversations as a major barrier.Registration number: ClinicalTrials.gov (ID NCT03577002) for the parent clinical trial.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».