Use of iPhones by Nurses in an Acute Care Setting to Improve Communication and Decision-Making Processes: Qualitative Analysis of Nurses’ Perspectives on iPhone Use
Notice bibliographique
Résumé
BACKGROUND: Smartphones and other mobile devices are having and will continue to have an impact on health care delivery in acute settings in Australia and overseas. Nurses, unlike physicians, have been slow to adopt these technologies and the reasons for this may relate to the status of both these professions within the hospital setting. OBJECTIVE: To explore nurses' perspectives on iPhone use within an acute care unit. We examined their experiences and views on how this device may improve communication and decision-making processes at the point of care. METHODS: Two focus group discussions, using a semistructured interview, were conducted over the trial period. The discussions focused on the nurses' experiences regarding ease of use, features, and capabilities of the device. The focus groups were recorded, transcribed, and analyzed using semistructured interview questions as a guide. RESULTS: The positive findings indicated that the iPhones were accessible and portable at point of care with patients, enhanced communication in the workplace, particularly among the nurses, and that this technology would evolve and be embraced by all nurses in the future. The negatives were the small screen size when undertaking bedside education for the patient and the invasive nature of the device. Another issue was the perception of being viewed as unprofessional when using the device in real time with the patients and their family. CONCLUSIONS: The use of iPhones by nurses in acute care settings has the potential to enhance patient care, especially through more effective communication among nurses, and other health care professionals. To ensure that the benefits of this technology is woven into the everyday practice of the nurse, it is important that leaders in these organizations develop the agenda or policy to ensure that this occurs.
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».