Patient involvement climate: views and behaviours among registered nurses in myocardial infarction care
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To introduce and define the patient involvement climate and measure its quality and strength via views and behaviours among nurses in coronary care units. BACKGROUND: Patient involvement is receiving increased attention among healthcare providers. To better understand and optimise the interpersonal dynamics of patient involvement, it is important to study the organisational context in which the patient-provider interaction occurs. DESIGN: Cross-sectional, self-report questionnaire study. METHODS: Registered nurses across 12 coronary care units (n = 303) completed a questionnaire reporting their views and behaviours regarding patient involvement. Analyses assessed climate quality (the positive or negative nature of nurses' perceptions) and climate strength (the degree of consensus within coronary care units). RESULTS: Climate quality and strength were greatest for the dimensions measuring nurses' views of patient involvement, the nurse-patient information exchange process and nurses' responsiveness to patient needs. Climate quality and strength were weaker for the dimensions measuring nurses' views of the hindrances associated with patient involvement, discussion of daily activities and efforts to motivate patients to take responsibility for their health. In units with consensus that patient involvement poses hindrances, nurses were less likely to address patient needs. CONCLUSIONS: When nurses perceived patient involvement as less of a hindrance in their work, they were more responsive to patient needs. A patient involvement climate characterised by motivational behaviour among nurses was marked by better information exchange and discussion of suitable activities postdischarge. RELEVANCE TO CLINICAL PRACTICE: Managers can capitalise on positive climate aspects by encouraging ward activities that facilitate active patient involvement among nurses. One suggestion is educational interventions at the workplace focused on reducing perceptions of patient involvement as a hindrance and encouraging the attitudes that it can enrich nursing work and patient outcomes.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».