A Scoping Review on Goals of Care Discussions in Surgery: How Are We Doing and How Can We Do Better?
Notice bibliographique
Résumé
BACKGROUND: Discussing GOC is essential to ensuring that patients' treatment recommendations and care plans are aligned with their preferences, priorities, and values. This review aims to characterize the existing literature on the quality, practices, and frameworks of goals of care (GOC) discussions in surgery to identify gaps and propose strategies for improvement. METHODS: MEDLINE, MEDLINE In-Process/ePubs, Embase, Cochrane Central Register of Controlled Trials, Cochrane Database of Systematic Reviews, Web of Science, Scopus, and ClinicalTrials.Gov were searched using terms related to GOC, surgery, and best practices or education. The search strategy was run from inception to July 29, 2022. Studies regarding the quality of GOC discussions in surgery were included. RESULTS: The search identified 14,254 articles from which 37 were included for review. Key findings included (1) the reactive nature of GOC discussions and initiating conversations in response to acute health changes, (2) ambiguity around patient autonomy and the surgeon's duty to prioritize surgical treatment, (3) surgeons as curators of information, and (4) tendency of surgeons to provide a set of standard treatment pathways and determine specific care decisions rather than establish understanding of patients' long-term goals. CONCLUSION: Further research is needed to determine best practices for caregiver and next-of-kin involvement and expand the diversity of reported experiences to include patients from diverse ethnic backgrounds and genders and individuals from rural and lower-resource communities. Findings from this review have important implications for improving GOC conversations to ensure they support patient-centered 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 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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».