Factors affecting quality of nurse shift handover in the emergency department
Notice bibliographique
Résumé
AIM: The aim of this study was to explore and test factors hypothesized to influence quality of Emergency Department nurse-to-nurse shift handover communication. BACKGROUND: Nurse-to-nurse shift handover communication includes the transfer of information and responsibility for patients at shift change. The unique environment of the Emergency Department, where there is a high degree of patient unpredictability, increased patient volumes and rapid patient turnover, can create challenges for high quality handover communication. There is considerable literature addressing handover communication and factors that influence quality or effectiveness. However, few studies have empirically tested those factors. DESIGN: A quantitative, cross-sectional design was used to test a conceptual model of factors hypothesized to influence quality of handover communication. METHODS: In 2014, data were gathered using surveys mailed to Emergency Department nurses across Ontario, Canada. RESULTS: The final eligible sample was 231 of 576 for an overall response rate of 40.1%. Analysis was performed using backwards elimination stepwise multiple linear regression. Four statistically significant explanatory variables were retained in the final multiple regression model, explaining 34% (p < .0001) of variance in handover quality. Handover quality was increased when patients flowed smoothly through triage, when nurses experienced positive intrusions, in the presence of a positive safety climate and when there were positive relationships between incoming and outgoing nurses. CONCLUSIONS: By understanding those factors that contribute to handover quality, it is possible to develop targeted interventions aimed at improving the quality of Emergency Department nurse-to-nurse shift handover.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».