The potential for nurses to contribute to and lead improvement science in health care
Notice bibliographique
Résumé
AIM: A discussion of how nurses can contribute to and lead improvement science activities in health care. BACKGROUND: Quality failures in health care have led to the urgent need for healthcare quality improvement. However, commonly quality improvement interventions proceed to practice implementation without rigorous methods or sufficient empirical evidence. This lack of evidence for quality improvement has led to the development of improvement science, which embodies quality improvement research and quality improvement practice. This paper discusses how the discipline of nursing and the nursing profession possesses many strengths that enable nurses to lead and to play an integral role in improvement science activities. However, we also discuss that there are insufficiencies in nursing education that require attention for nurses to truly contribute to and lead improvement science in health care. DESIGN: Discussion paper. DATA SOURCES: This paper builds on a collection of our previous work, a 12-month scoping review (March 2013-March 2014), baseline study on a quality improvement management system (Lean), interviews with nurses on quality improvement implementation and supporting literature. IMPLICATIONS FOR NURSING: This paper highlights how nurses have the philosophical, theoretical, political and ethical positioning to contribute to and lead improvement science activities. However up to now, the potential for nurses to lead improvement science activities has not been fully used. CONCLUSION: We suggest that one starting point is to include improvement science in nursing education curricula. Specifically, there needs to be increased focus on the nursing roles and skills needed to contribute to and lead healthcare improvement science activities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».