Ethically challenging situations encountered by veterinary team members
Notice bibliographique
Résumé
Veterinary team members (VTMs) commonly encounter ethically challenging situations (ECS). ECS can lead to moral distress & impact the safety & welfare of patients. Literature searches (1990−2020) & a focused review on advanced veterinary care (AVC) identified key ECS. A global survey of VTMs during the early COVID-19 pandemic explored frequency, stressfulness & types of ECS encountered by VTMs. Frequency increased for almost half of VTMs during the pandemic. ECS encountered by VTMs, resources used to resolve ECS, & barriers to resolution are discussed. Risk factors for experiencing increased ECS during the pandemic included being a veterinary nurse or animal health technician, working with companion animals, working in USA/Canada & having low confidence dealing with ECS in the workplace. Qualitative analysis identified key factors that may lead to or exacerbate ECS during the pandemic: communication challenges & low or no-contact euthanasia. Strategies to prevent or mitigate ECS are recommended. Access to resources (e.g. technology to facilitate telemedicine, protocols to facilitate low-contact euthanasia) are needed to prevent/mitigate ECS impacts. Ethics rounds (ER), used in medical settings, was trialed with VTMs, who completed the Euro-MCD 2.0 pre & post. The Euro-MCD evaluates outcomes of ethics rounds across domains of moral competence, moral teamwork & moral action. VTMs improved in the domains of moral competence & moral teamwork after 1 session of ER. ER has potential to improve the ability of VTMs to identify & navigate ECS & to mitigate moral distress. Recommendations: veterinary empirical ethics research to include perspectives of non-veterinarian VTMs & clients, develop a validated measurement of veterinary team member moral distress, challenge the triad of veterinary stakeholders, further evaluate & develop CESS, conduct regular surveillance of ECS & to prepare VTMs, clients, animals & other stakeholders for ECS occurring in emergencies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».