MétaCan
Menu
Retour à la cohorte
Enregistrement W2018460907 · doi:10.2196/humanfactors.4196

Nurses' Perceptions and Practices Toward Clinical Alarms in a Transplant Cardiac Intensive Care Unit: Exploring Key Issues Leading to Alarm Fatigue

2015· article· en· W2018460907 sur OpenAlexvenueno aff
Azizeh Sowan, Albert Tarriela, Tiffany Michelle Gomez, Charles C. Reed, Kami Marie Rapp

Notice bibliographique

RevueJMIR Human Factors · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueHealthcare Technology and Patient Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésALARMPatient safetyMedicineHealth careIntensive careMedical emergencyPerceptionNursingIntensive care unitPsychologyIntensive care medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Intensive care units (ICUs) are complex work environments where false alarms occur more frequently than on non-critical care units. The Joint Commission National Patient Safety Goal .06.01.01 targeted improving the safety of clinical alarm systems and required health care facilities to establish alarm systems safety as a hospital priority by July 2014. An important initial step toward this requirement is identifying ICU nurses' perceptions and common clinical practices toward clinical alarms, where little information is available. OBJECTIVE: Our aim was to determine perceptions and practices of transplant/cardiac ICU (TCICU) nurses toward clinical alarms and benchmark the results against the 2011 Healthcare Technology Foundation's (HTF) Clinical Alarms Committee Survey. METHODS: A quality improvement project was conducted on a 20-bed TCICU with 39 full- and part-time nurses. Nurses were surveyed about their perceptions and attitudes toward and practices on clinical alarms using an adapted HTF clinical alarms survey. Results were compared to the 2011 HTF data. Correlations among variables were examined. RESULTS: All TCICU nurses provided usable responses (N=39, 100%). Almost all nurses (95%-98%) believed that false alarms are frequent, disrupt care, and reduce trust in alarm systems, causing nurses to inappropriately disable them. Unlike the 2011 HTF clinical alarms survey results, a significantly higher percentage of our TCICU nurses believed that existing devices are complex, questioned the ability and adequacy of the new monitoring systems to solve alarm management issues, pointed to the lack of prompt response to alarms, and indicated the lack of clinical policy on alarm management (P<.01). Major themes in the narrative data focused on nurses' frustration related to the excessive number of alarms and poor usability of the cardiac monitors. A lack of standardized approaches exists in changing patients' electrodes and individualizing parameters. Around 60% of nurses indicated they received insufficient training on bedside and central cardiac monitors. A correlation also showed the need for training on cardiac monitors, specifically for older nurses (P=.01). CONCLUSIONS: False and non-actionable alarms continue to desensitize TCICU nurses, perhaps resulting in missing fatal alarms. Nurses' attitudes and practices related to clinical alarms are key elements for designing contextually sensitive quality initiatives to fight alarm fatigue. Alarm management in ICUs is a multidimensional complex process involving usability of monitoring devices, and unit, clinicians, training, and policy-related factors. This indicates the need for a multi-method approach to decrease alarm fatigue and improve alarm systems safety.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,017
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,485
Tête enseignante GPT0,525
Écart entre enseignants0,039 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations81
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Human FactorsMême sujetHealthcare Technology and Patient MonitoringTravaux en français237 207