Analyzing what nurses do during work in a hospital setting: A feasibility study using video
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Patient transfers have been implicated as a contributing factor in the high work-related musculoskeletal disorder (MSD) rate in nursing. However, documenting how much time is spent doing such tasks, compared to other less biomechanically stressful tasks in the workplace, has been limited, and not performed to date using a video-based approach. Therefore, the purpose of this study was to determine the feasibility of documenting all job-related nursing tasks performed during a typical shift in a hospital setting using video. PARTICIPANTS: Ten female nurses from an acute care hospital who worked in different units and during all three shifts. METHODS: Nurses working in different units of the hospital were videotaped performing their normal job-related tasks for a 2 hour period. Video records were subsequently analyzed to identify and categorize all tasks performed by each nurse. RESULTS: Overall, nurses spent less than 7% of their time during patient moving and transfer activities. One third of their time was spent walking, standing and sitting, 19.8% charting, 14.7% in patient care, 13.9% preparing medicines, 9.5% in housekeeping, and about 3% in self-care. CONCLUSIONS: This study showed that video-based methods are feasible for documenting what nurses do in the workplace. It also highlighted the diversity and non-repetitive nature of the workplace tasks nurses perform and suggests that ergonomic assessments of the cumulative effects of work on nurses in the field should focus on more than just patient handling activities.
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.
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 découle