Empathy training via Kalamazoo Consensus in remote and in-person medical communication: A randomized controlled trial
Notice bibliographique
Résumé
Background Empathy is crucial in healthcare, facilitating effective communication and improving patient outcomes. Objective This study aimed to evaluate the impact of tele-conference training based on the Kalamazoo Consensus Statement (KCS) on the empathy scores of newly hired physicians in a tele-visit simulation course. Methods From September 2021 to April 2022, we conducted a randomized controlled trial involving 129 medical doctors from 13 hospitals in north-western Tuscany, with an age range of 31 to 42 years. Partecipants were randomly assigned to a trained group (TG) or a control group (CG). Both groups completed the Toronto Empathy Questionnaire (TEQ) and the Balanced Emotional Empathy Scale (BEES) before (T0) and after (T1) the training. The TG underwent a 12-h online communication training course. The CG only completed the questionnaires without further intervention. Results Total sample included 129 partecipants. Results indicated a significant increase in TEQ scores for the TG (55,8 % of total sample; T0: 65.32; T1: 66.42, p = 0.032) and BEES scores (T0: 122.39; T1: 127.50, p = 0.000). The CG (44,2 %) experienced a decrease in TEQ scores (T0: 65.58; T1: 63.75, p = 0.000) but stable BEES scores (T0: 122.16; T1: 120.67, p = 0.317). Female participants consistently exhibited higher empathy scores than males, with training significantly enhancing scores for both genders. Conclusions The tele-conference training effectively improved empathy scores among newly hired physicians. We recommend the implementation of KCS-based training to enhance empathy and communication skills in medical practice. Innovation The pandemic has accelerated the use of tele-education and telemedicine, though opinions on their effectiveness remain divided. However, studies show that empathy can be enhanced through interactive online training, which offers significant innovations for both healthcare professionals' learning and patient care.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».