Improving geriatric mental health nursing care: Making a case for going beyond psychotropic medications
Notice bibliographique
Résumé
Providing high-quality mental health nursing care should be an important and continuous preoccupation in the gerontological nursing field. As the proportion of elderly people in our society is growing, the emphasis on high-quality care will receive increasing attention from administrators, politicians, organized groups, researchers and clinical nurses. Recent findings illustrate unequivocally the important contribution of nurses to achieving the goal of high-quality geriatric care. However, the quality of care for the elderly with psychological difficulties has not been addressed. The objective of this article is to illustrate that while nurses can accomplish much to improve the well-being and mental health of the elderly, their skills are often underutilized. Psychotropic drugs are often the first-line interventions used by health-care professionals to treat mental health concerns of elderly persons. Alternative therapies that could be implemented and evaluated, such as psychological counselling, supportive counselling, education and life review, are infrequently used. Nevertheless, current scientific data suggest that it would be very advantageous if nurses were to play a dominant role in the care of elderly people who are depressed or experiencing sleep pattern disturbances. The same can be said about elderly chronic users of benzodiazepines, as well as those with cognitive impairment. Evidence for the use of psychotropic medications as a viable treatment option for the elderly both in the community and in the long-term care setting who are experiencing mental health challenges is examined. Alternative non-pharmacological approaches that nurses can use to augment care are also briefly discussed.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».