Nonpharmacological nursing interventions for the management of patient fatigue: a literature review
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To identify and describe nonpharmacological interventions for the management of fatigue that are within the scope of nursing practice. BACKGROUND: Fatigue is a complex multidimensional symptom experienced by patients with varying diagnoses. Limited details are available on the nature of nursing interventions to manage fatigue, which preclude fidelity of implementation in day-to-day practice. DESIGN: Literature review. METHODS: Multiple databases were searched for publications reporting on the evaluation of nurse-delivered interventions for the management of fatigue. Data were extracted on study and intervention characteristics and results pertaining to the effects of the intervention on fatigue. RESULTS: The studies (n = 16) evaluated eight interventions: psycho-education, cognitive behavioural therapy, exercise, acupressure, relaxation, distraction, energy conservation and activity management, and a combination of exercise, education and support. CONCLUSION: Psycho-education was evaluated in several studies and demonstrated effectiveness when delivered in both acute and community settings. RELEVANCE TO CLINICAL PRACTICE: This review focused on interventions that are within the scope of nursing practice for the management of fatigue. The findings provide nurses with an overview of the effectiveness of interventions they may use in their day-to-day practice to help patients manage fatigue. A detailed description of interventions found effective is provided to assist nurses in translating evidence into practice.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».