A Review of the Effect of Nurses’ Use of Smartphone to Improve Patient Care
Notice bibliographique
Résumé
Introduction: Nurses in the acute-care setting use touchscreen smartphones (eg. iPhones) to facilitate patient care. However, on duty nurses also use smartphones to access social media, text, and shop online. The overall benefit of nurses’ use of smartphones to patient care is unclear. We conducted a systematic review to examine the use of smartphones by acute-care nurses and how that influences patient care. Methods: We searched Embase, MEDLINE, PsycINFO, CINAHL, and PubMed databases using the key words “smartphone,” “nurse,” “patient care” and “quality of care” to identify articles focusing on smartphone use by nurses in acute care setting. Only 274 articles were initially identified. Fourteen articles remained after applying inclusion criteria such as nurses in acute care setting, written in English, and excluding those addressing the use of smartphones by non-nurses. Results: We identified six themes encompassing advantages and disadvantages of smartphone use by nurses in the acute care setting. Theme 1: enhanced interprofessional communication. Theme 2: easy and quick access to clinical information (eg. medications). Theme 3: improved time-management. Theme 4: reduction of work stress. Disadvantages were: Theme 5: distraction from work, and Theme 6: the appearance of unprofessionalism. Conclusions: Smartphone use by nurses in the acute care setting impacts how they provide daily care to their patients. Benefits of smartphone use include: improved patient safety, more effective communication between healthcare providers, and better time-management. Disadvantages found included distraction of nurses at work, and the perceived appearance of unprofessionalism. We believe there is an unmeasured risk of smartphones as potential vectors of infection. We support the use of smartphones to aid in patient care but recommend that education is necessary on the appropriate use of smartphones to mitigate risks such as infection, distraction, and accountability of personal use.
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 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».