Synthesis of literature on strategies for chronic disease management post disasters
Notice bibliographique
Résumé
Aims. Disasters are devastating events that can overwhelm individuals with chronic diseases and shift their priorities from routine disease management to immediate survival needs. There were fatal consequences to this shift in health management during recent disasters. The following review of literature was conducted to identify strategies to help manage chronic illness during disasters. Background. During several recent disasters many people with pre‐existing chronic diseases sought help at disaster shelters. These individuals experienced hardships due to difficulty contacting physicians, lack of medications, insufficient insurance coverage, lack of transportation, and inadequate resources in shelters. Method. The Ecological Model of Disaster Management guided the selection and synthesis of research articles focused on the management of adults with chronic diseases during disasters. Articles published between January 2000–May 2009 were included. Research focused on mental illness, children or adolescents was excluded. Findings. The sample included five surveys, five retrospective record audit, four qualitative studies and one study with correlational study design. The review yielded recommendations for disaster planning for individuals with chronic diseases. Conclusions. Integration of beneficial strategies, informed by the literature and tailored to characteristics of the chronic disease population can provide effective solutions for chronic disease management post disaster. Technology’s role in facilitating chronic disease management during disasters is discussed. Relevance to clinical practice. Being the most plentiful health care providers and adept at working with individuals with chronic disease, nurses are in an excellent position to take leading roles in disaster planning missions. Educating individuals on self‐management techniques, participating in drills, and familiarising themselves with disaster technology are some of the ways nurses can help and support individuals with chronic diseases during disasters.
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 | 0,015 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,019 | 0,019 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».