Testing the ABCs of Serious Illness Program for Oncology Trainees: A Feasibility Trial Comparing Different Learning Formats for a Virtual Communication Curriculum
Notice bibliographique
Résumé
Background: ABCs (All providers, Better Communication skills) of serious illness communication is a novel curriculum that could enhance postgraduate oncology training. The program combines electronic learning modules (ELMs), standardized patient (SP) encounters, and coaching, all in a virtual format. We assessed feasibility of a randomized controlled trial (RCT) comparing different training experiences. Methods: We conducted a pilot for a RCT at three academic centers. Postgraduate oncology trainees were randomized to complete ELMs and SP encounters with coaching (intervention arm) versus ELMs only (control arm). Feasibility measures comprised the primary analysis. Secondary analyses explored the impact of different training experiences. Outcomes were measured through pre- and post-intervention simulation-based assessments (COM-ON rating scale), and surveys rating self-efficacy (End-of-Life Professional Caregiver Survey [EPCS] score) and satisfaction. Results: Twenty-three learners participated (37% recruitment). Adherence was 100% and data collection was near complete. All feasibility metrics were met except for the recruitment target of 75%. Self-efficacy ratings improved from baseline (EPCS score increased significantly ( p < 0.001), mean paired difference = 0.73 (standard deviation [SD] = 0.78) [95% confidence interval (CI), 0.37–1.08]), as did quality of communication in simulations (COM-ON score increased significantly ( p < 0.001), mean paired difference = 0.59 (SD = 0.73) [95% CI, 0.28–0.91]). Improvement was greatest in the intervention arm for both. Participants reported high satisfaction with virtual learning. Conclusions: Recruitment was below target, but study activities were feasible in virtual format. The curriculum improved communication skills. The addition of virtual SPs and coaching optimized learning. The curriculum was associated with improved self-efficacy rating for serious illness communication with oncology patients. Lessons learned will support further medical education research in this area.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».