MétaCan
Menu
← Retour à la cohorte
Enregistrement W4414089145 · doi:10.1136/spcare-2025-acp.29

1260 Can clinicians be trained to use the serious illness conversation guide using digital avatars?

2025· article· en· W4414089145 sur OpenAlexaff
Nora Downey, Ki-Do Eum, Justin J. Sanders, Nico Nortjé, Laurel Kilpatrick, Shawnta Pittman-Hobbs, Jolisia Autery, Enefe Queen Adaji, Kristofer Griffith, Erik K. Fromme

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésConversationRandomized controlled trialDocumentationDemographicsMEDLINETraining (meteorology)

Résumé

récupéré en direct d'OpenAlex

Aim To evaluate the effectiveness of a novel digital serious illness conversation (SIC) guide training vs. instructor-led training in improving clinician attitudes and communication behaviors in a pilot randomized controlled trial. Background SICs improve patient care, but training clinicians remains resource-intensive and, by itself, does not lead to widespread practice change. Health systems face significant barriers to sustaining traditional instructor-led training models. To improve scalability and access for less-resourced organizations, we developed a 90-minute asynchronous, avatar-based digital guide training (DGT) as an alternative to our well-studied 3.5 hour synchronous instructor-led training (ILT). Methods We are conducting a pilot randomized controlled trial comparing the effectiveness of DGT to ILT using the Serious Illness Conversation Guide. Clinicians complete post-training surveys assessing attitudes, confidence, and self-efficacy. A total of 48 clinicians across two sites will be randomized (12 in DGT, 12 in ILT, at each site). SIC documentation data will be collected three months before and after training completion. Results To date, 23 participants have completed the study (12 in DGT, 11 in ILT). There are no significant differences between groups in demographics (profession, specialty, experience, gender, race). All participants (100%) of both training types agreed or strongly agreed that the teaching methods were effective. Confidence scores significantly increased in both groups (p<0.01). DGT participants showed a 15.6-point increase (SD 15.2; 65.5 before, 81.1 after), while ILT participants increased by 18.2 points (SD 8.5; 55.6 before, 73.8 after). Additional survey data for 25 participants and conversation outcome data for all 48 participants are pending at time of abstract submission. Discussion Preliminary results show both training methods improve clinician attitudes, confidence, self-efficacy following both training modalities. The small size of the current sample limits the power to detect significant differences, however data collection and analysis will be completed by the time of the proposed presentation. Unique Contribution Ariadne Labs’ avatar-based guide training is the first asynchronous, low-cost training for SICs. Evaluating its effectiveness compared to the instructor-led model is important to ensuring that the quality of training is retained in this more affordable, scalable approach. Implications A digital training model can expand access to SIC training for more clinicians. By reducing the time and resources spent on training coordination, health systems can shift efforts toward implementation strategies that drive real practice change.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,070

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0210,002

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.

Tête enseignante Opus0,061
Tête enseignante GPT0,395
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetTelemedicine and Telehealth Implementation→Travaux en français237 207→