Evaluation of an Intervention With Nurses for Delirium Detection After Cardiac Surgery
Notice bibliographique
Résumé
BACKGROUND: Completion of a delirium detection tool allows rapid management, which alleviates complications. However, these tools are often underused. AIMS: To assess the effect of a knowledge transfer (KT) intervention on the completion of a delirium detection tool by nurses working with cardiac surgery patients. Secondary aims included describing completion rates per work shift, and patient characteristics associated with higher rates. METHODS: In a pre-post study, the intervention included a survey and focus groups to identify barriers to use of a delirium detection tool (Intensive Care Delirium Screening Checklist [ICDSC]). Nurses' suggestions for a KT activity and its implementation were also included. Using chi-square analysis and medical charts from 242 patients, we compared the pre- and postintervention rates of completion of the ICDSC. RESULTS: The majority of nurses who completed the survey (n = 30) felt they had the knowledge, skills, and intention to complete the ICDSC. During the focus groups (n = 4), a need for information on delirium symptoms and its management was raised as a barrier. This barrier was addressed with the selected KT activity (clinical capsule and aide-memoire handed out to nurses [n = 24]). Across all work shifts, the completion rate was similar pre- and postintervention. Overall, the completion rate was lower during the day shift than the night and evening shifts. A higher rate was associated with the first three postoperative days, and longer hospital and intensive care unit stays. LINKING EVIDENCE TO ACTION: A tailored intervention based on preidentified barriers and facilitators, using the Determinants of Implementation Behavior Questionnaire, and in collaboration with participants, has the potential to promote evidence-based 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 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 | 0,003 | 0,015 |
| 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 | 0,001 |
| 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 ».