¿Cómo debemos comunicar malas noticias? Elaboración de un protocolo para la comunicación de malas noticias en el ámbito de cuidados intensivos
Bibliographic record
Abstract
La comunicación de malas noticias (CMN) por parte del profesional sanitario ha sido uno de los principales retos en las últimas décadas debido a que la actitud del paciente ha cambiado y, en general, desea y espera una información profusa sobre su enfermedad, tratamientos posibles y pronóstico. Sin embargo, el profesional sanitario no se encuentra preparado para abordar dicha comunicación debido a que la capacidad de comunicación con el paciente ha sido considerada erróneamente como una habilidad de menor importancia al compararse con otros aspectos técnicos de la práctica asistencial. La CMN es un proceso multidisciplinar y enfermería es una pieza clave al ser el profesional que más tiempo pasa con el paciente y el que más información dispone de él. Ser poco hábiles dando malas noticias (MN)puede generar un sufrimiento añadido innecesario en la persona que recibe la MN, de ahí que el objetivo principal de este trabajo ha sido elaborar un protocolo de enfermería para conseguir que todos los pacientes ingresados en UCI se les comunique las MN de forma adecuada. Se realizó una búsqueda bibliográfica de los protocolos existentes para CMN encontrándose solamente protocolos a nivel médico, por lo que dichas herramientas fueron adaptadas para la elaboración del protocolo de enfermería. Asimismo, se concluye que es necesaria la programación de cursos y talleres para el desarrollo de nuestra capacidad de comunicación con el paciente y familia porque de dicha capacidad dependerá que se realice un buen afrontamiento de la enfermedad.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.005 | 0.006 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
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; both teacher heads agree on what is shown here.
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".