Recommendations to support nurses and improve the delivery of oncology and palliative care in India
Notice bibliographique
Résumé
CONTEXT: Nurses in India often practice in resource-constrained settings and care for cancer patients with high symptom burden yet receive little oncology or palliative care training. AIM: The aim of this study is to explore challenges encountered by nurses in India and offer recommendations to improve the delivery of oncology and palliative care. METHODS: Qualitative ethnography. SETTING: The study was conducted at a government cancer hospital in urban South India. SAMPLE: Thirty-seven oncology/palliative care nurses and 22 others (physicians, social workers, pharmacists, patients/family members) who interact closely with nurses were included in the study. DATA COLLECTION: Data were collected over 9 months (September 2011- June 2012). Key data sources included over 400 hours of participant observation and 54 audio-recorded semi-structured interviews. ANALYSIS: Systematic qualitative analysis of field notes and interview transcripts identified key themes and patterns. RESULTS: Key concerns of nurses included safety related to chemotherapy administration, workload and clerical responsibilities, patients who died on the wards, monitoring family attendants, and lack of supplies. Many participants verbalized distress that they received no formal oncology training. CONCLUSIONS: Recommendations to support nurses in India include: prioritize safety, optimize role of the nurse and explore innovative models of care delivery, empower staff nurses, strengthen nurse leadership, offer relevant educational programs, enhance teamwork, improve cancer pain management, and engage in research and quality improvement projects. Strong institutional commitment and leadership are required to implement interventions to support nurses. Successful interventions must account for existing cultural and professional norms and first address safety needs of nurses. Positive aspects from existing models of care delivery can be adapted and integrated into general nursing practice.
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 | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».