Communicating a negative prognosis by primary care physicians
Bibliographic record
Abstract
Prawo do informacji o własnym stanie zdrowia, w tym o niekorzystnym rokowaniu, wynika z zapisów Ustawy o prawach pacjenta i Rzeczniku Praw Pacjenta oraz Kodeksu Etyki Lekarskiej.Odpowiednie narzędzia, takie jak protokół SPIKES, mogą wspierać lekarzy w przekazywaniu niekorzystnego rokowania.Celem niniejszej pracy było zbadanie sposobu, w jaki lekarze pracujący w podstawowej opiece zdrowotnej (POZ) komunikują swoim pacjentom i ich bliskim informacje o niekorzystnym rokowaniu.Spośród 744 zbadanych lekarzy podstawowej opieki zdrowotnej 72,2% deklaruje, iż porusza kwestię śmierci lub niekorzystnego rokowania w rozmowie z pacjentem na jego bezpośrednią prośbę, samodzielnie zaś informacje przekazuje 63,3%.Jednocześnie zwraca uwagę fakt, iż 15,1% lekarzy czyni to bez zgody chorego pod jego nieobecność, a 40,2% badanych wskazało, iż przekazuje informacje o niekorzystnym rokowaniu rodzinie za "domniemaną zgodą chorego".W badaniu podkreśla się, iż w wyodrębnionej grupie lekarzy POZ mających jednocześnie specjalizację z medycyny paliatywnej samodzielność w zakresie podejmowania rozmowy o niekorzystnym rokowaniu deklaruje 100% badanych.Aby wspomóc lekarzy POZ w realizowaniu prawa pacjenta do informacji o stanie zdrowia, stworzono narzędza kompetencyjne w zakresie przekazywania niekorzystnego rokowania.Do komunikowania w sposób otwarty niekorzystnego rokowania można wykorzystać wypracowaną relację z pacjentem i jego bliskimi.Pomocne może być ustawiczne szkolenie, w tym w zakresie kompetencji psychologicznych, z jednoczesnym psychologicznym wsparciem lekarzy POZ oraz wdrażanie odpowiednich protokołów pracy.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.108 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.006 | 0.002 |
| Scholarly communication | 0.005 | 0.006 |
| Open science | 0.001 | 0.006 |
| Research integrity | 0.005 | 0.010 |
| Insufficient payload (model declined to judge) | 0.024 | 0.011 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".