Tracking the footsteps: a constructivist grounded theory of the clinical reasoning processes that registered nurses use to recognise delirium
Notice bibliographique
Résumé
AIMS AND OBJECTIVES: To construct a grounded theory that explains the clinical reasoning processes that registered nurses use to recognise delirium while caring for older adults in acute care settings. BACKGROUND: Delirium is often under-recognised in acute care settings; this may stem from underdeveloped clinical reasoning processes. Little is known about registered nurses' clinical reasoning processes in complex situations such as delirium recognition. DESIGN: Seventeen registered nurses working in acute care settings were interviewed. Concurrent data collection and analysis, constant comparative analysis and theoretical sampling were conducted in 2013-2014. METHODS: A grounded theory approach was used to analyse interview data about the clinical reasoning processes of registered nurse in acute hospital settings. RESULTS: The core category that emerged from data was 'Tracking the footsteps'. This refers to the common clinical reasoning processes that registered nurses in this study used to recognise delirium in older adults in acute care settings. It depicted the process of continuously trying to catch the state of delirium in older adults. CONCLUSIONS: Understanding the clinical reasoning processes that contribute to delirium under-recognition provides a strategy by which this problem can be brought to the forefront of awareness and intervention by registered nurses. RELEVANCE TO CLINICAL PRACTICE: Registered nurses could draw from the various processes identified in this research to develop their clinical reasoning practice to enhance their effective assessment strategies. Delirium recognition by registered nurses will contribute to quality care to older adults.
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 | 0,004 | 0,328 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».