Making sense of pediatric death: An exploratory qualitative study of emotion management strategies applied by the pediatric intensive care unit interprofessional team
Notice bibliographique
Résumé
Background: Caring for children at the end of life is a reality of practice in the pediatric intensive care unit (PICU). Learning how to make sense of death at work, and the emotions it entails, is necessary for all PICU professionals. Objective: To explore how PICU clinicians manage their emotions when encountering pediatric death at work. Design: Exploratory qualitative study grounded in interpretive phenomenology and the theoretical lens of emotional labor. We conducted one-time semi-structured interviews. Once transcribed, we inductively coded interview transcripts and subsequently generated themes through reflexive thematic analysis. Methods: = 13). Four participants self-identified as Black, Indigenous, and/or a person of color. Results: We generated four themes that influenced how clinicians managed emotions related to death in PICU: (1) Figuring it out on the job; (2) Reframing and rationalizing death; (3) Managing emotions as quality end-of-life care; (4) Navigating organizational constraints. Although clinicians shared many strategies and resources for managing emotions, the ability to apply these strategies was impacted by systemic constraints (e.g., pace of work, understaffing) and unequal access across professions to unit-level resources. Conclusion: Navigating pediatric death in the workplace requires skilled emotional labor, and clinician access to appropriate support to manage its impacts, which varies by unit culture and profession. PICU leaders should facilitate unit- and individual-level supports that are inclusive of all team members.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».