Factors influencing nurses’ readiness to care for hospitalised older people
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To gain a better understanding of nurses' perspectives on factors that influence their readiness to provide appropriate care for hospitalised older people. BACKGROUND: Hospitals have consistently been criticised for failing to address the unique, complex needs of older people. Research suggests that multiple issues have led to this situation, including a lack of educational preparation for nurses, limited attention to environmental factors, and an absence of organisational preparedness that ensures hospitals are adapted to meet the needs of older people. DESIGN: An exploratory, qualitative approach was used. METHODS: Forty-one Registered Nurses participated (24 point-of-care nurses; 17 organisational leaders). Six focus groups and one individual interview were conducted. Thematic data analysis was employed to generate the main study findings. RESULTS: An overarching theme of 'Poor Fit' emerged. While participants identified the shifting needs of patients towards more complex and relational care, the broader organisational and societal contexts were, largely, unchanging. This resulted in nurses recognising the factors needed to be ready to care for older patients and their families, but working in hospitals that were not suited to these needs. CONCLUSIONS: The findings identify factors at the point-of-care, the organisational level, and in broader societal attitudes that shape nurses' readiness to care for hospitalised older people. However, many of these factors are modifiable and care for older people could be improved through quality improvement initiatives and nursing leadership. This study offers insight into ways to re-imagine nursing care that can be responsive to older people's complex needs in hospitals. IMPLICATIONS FOR PRACTICE: With a growing contingent of hospitalised older people, it is imperative that nurses, who comprise the largest workforce in this setting, be included in the planning and delivery of healthcare services to ensure readiness to meet the needs of this population.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».