“To Be or Not to Be”—Cardiopulmonary Resuscitation for Hospitalized People Who Have a Low Probability of Benefit: Qualitative Analysis of Semi-structured Interviews
Notice bibliographique
Résumé
PurposeOur aim was to understand the decision making of patients in hospital who wanted cardiopulmonary resuscitation despite low probability of benefit.MethodsWe included patients admitted to general medical wards who had a low chance of surviving in-hospital cardiopulmonary resuscitation (CPR) and had an order in the chart to administer CPR. We developed an interview guide to explore participants’ decision-making process, sources of information, and emotions associated with this decision.ResultsWe developed 3 themes from the data. 1) “Life is worth living . . . for now”: Participants describe their enjoyment of life and desire to carry on in their current state. 2) “Making sense of CPR outcomes”: Participants saw CPR outcomes as binary, either they live, or they die; deciding not to receive CPR means choosing death. Participants were optimistic they would survive CPR and cited personal experience and TV as information sources. 3) “Decision process”: Participants did not engage in shared decision making. Instead, they were asked a binary yes/no question with no reflection on their values or discussion about harms or benefits.LimitationsThe probability of successful CPR in our sample is unknown. Findings may be different in a population who is imminently dying but still requesting CPR.ConclusionsParticipants chose CPR because they perceived life as worth living and CPR as a chance worth taking. Participants did not want to be left in a severely debilitated state but did not have accurate information about this risk.ImplicationsDecision making about CPR in-hospital can be improved if it is grounded in accurate risk understanding and the patient’s values and wishes.
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 | 0,009 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».