MétaCan
Menu
Retour à la cohorte
Enregistrement W2031732229 · doi:10.12927/cjnl.2010.21745

The Ontario Nursing Workload Demonstration Projects: Rethinking How We Measure, Cost and Plan the Work of Nurses

2010· article· en· W2031732229 sur OpenAlexaffvenueabout
Mary Ferguson-Paré, Annabelle Bandurchin

Notice bibliographique

RevueNursing leadership · 2010
Typearticle
Langueen
DomaineNursing
ThématiqueNursing education and management
Établissements canadiensUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésNursingWorkloadPrimary nursingNursing managementPsychosocialNursing Outcomes ClassificationNursing careTeam nursingNursing Minimum Data SetWork (physics)MedicineNursing researchNurse educationComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In 2008 the Nursing Secretariat of Ontario's Ministry of Health and Long-Term Care formed a Nursing Workload Steering Committee to oversee the implementation of three demonstration projects with the objectives: to assess the feasibility of Health Outcomes for Better Information and Care (HOBIC) data as a measure of nursing workload, determine the indicators that best support nurse leaders to measure nursing work and make informed staffing decisions, and develop a model that predicts acute care nursing costs. RESULTS: Three HOBIC scales--activities of daily living (ADLs), continence and fatigue--explained a small amount of the variance in nurse judgment of the amount of nursing time patients require in the first 24 hours of care. Nurses in the study appreciated providing their professional judgment to help estimate the nursing work requirements of patients. The priority and secondary indicators most important for decision-making included medical severity of patients, environmental complexity, nurse experience, patient turnover, nurse-to-patient ratio, cognitive status, infection control, nurse vacancy, predictability of patient types, nursing interventions, patient volumes, co-morbidities, patient self-care abilities, physical and psychosocial functioning, unit type and medical diagnosis. A fairly robust model was developed using existing data sources to estimate nursing input into a patient's costs. The model explained between 69% and 80% of the variation in nursing costs for each patient. CONCLUSION: In order to effectively measure, plan and cost nursing, we need to determine what nursing is. In the future, recognition of nurses as knowledge workers will require us to consider the many patient and environmental factors that affect the ability of nurses to apply their professional judgment to care for patients.

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)0,029
score de la tête « metaresearch » (Gemma)0,091
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,972
Score d'incertitude au seuil0,682

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0290,091
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0040,003
Communication savante0,0050,005
Science ouverte0,0030,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,181
Tête enseignante GPT0,303
Écart entre enseignants0,122 · 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'étudeObservationnel
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

Citations10
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNursing leadershipMême sujetNursing education and managementTravaux en français237 207