Insights from staff nurses and managers on unit-specific nursing performance dashboards: a qualitative study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Performance data can be used to monitor and guide interventions aimed at improving the quality and safety of patient care. To use performance data effectively, nurses need to understand how to interpret and use data in meaningful ways to guide practice. Dashboards are interactive computerised tools that display performance data. In one large, urban teaching hospital in Toronto, Canada, unit-specific dashboards were implemented across the organisation. METHODS: A qualitative study was undertaken to explore the perceptions and experiences of front-line nurses and managers associated with the implementation of a unit-level dashboard. Six units were selected to participate in the study. Data were analysed using a directed content analysis approach. RESULTS: The sample included 56 study participants, including 51 front-line nurses and 5 unit managers. Three key themes emerged around nurses' and unit managers' perspectives on the implementation of unit-specific dashboards. Nurses and managers described that the Care Utilising Evidence dashboard was a visual tool that displayed data on the impact of the nursing care provided to patients. This tool also was used by the nurses and managers to keep track of processes of care and patient outcomes and experiences at a unit level. Further, nurses were able to use performance data to identify quality care improvements specific to their unit. CONCLUSIONS: The results highlight how unit-specific dashboards are being used to monitor performance and drive quality improvement efforts from the perspectives of nurses and unit managers. In practice, nurse leaders may consider investing in dashboards as a quality improvement strategy to optimise the use of performance data at their organisations.
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.
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 | 0,001 |
| 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 | 0,002 | 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 découle