MétaCan
Menu
Retour à la cohorte
Enregistrement W2799781495 · doi:10.12927/cjnl.2017.25452

Perspectives of Nurse Practitioner–Physician Collaboration among Nurse Practitioners in Canadian Long-Term Care Homes: A National Survey

2017· article· en· W2799781495 sur OpenAlexaffvenueabout
Carrie McAiney, Jenny Ploeg, Abigail Wickson‐Griffiths, Sharon Kaasalainen, Ruth Martin‐Misener, Noori Akhtar‐Danesh, Faith Donald, Nancy Carter, Esther Sangster‐Gormley, Kevin Brazil, Alan Taniguchi, Lori Schindel Martin

Notice bibliographique

RevueNursing leadership · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensUniversity of ReginaUniversity of VictoriaHamilton Health SciencesToronto Metropolitan UniversityDalhousie UniversityMcMaster University
Organismes subventionnairesnon disponible
Mots-clésNursingNurse practitionersLong-term careNursing homesMedicineFamily medicineHealth carePolitical science

Résumé

récupéré en direct d'OpenAlex

Nurse practitioners (NPs) can play an important role in providing primary care to residents in long-term care (LTC) homes. However, relatively little is known about the day-to-day collaboration between NPs and physicians (MDs) in LTC, or factors that may influence this collaboration. Survey data from NPs in Canadian LTC homes were used to explore these issues. Thirty-seven of the 45 (82%) identified LTC NPs across Canada completed the survey. NPs worked with an average of 3.4 MDs, ranging from 1-26 MDs. The most common reasons for collaborating included managing acute and chronic conditions, and updating MDs on resident status changes. Satisfaction with NP-MD collaboration was high, and did not significantly differ among NPs working full versus part time, NPs working in a single versus multiple homes, or NPs with more versus less experience. By understanding the nature of NP-MD collaboration, we can identify ways of supporting and enhancing collaboration between these professionals.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,529
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,134
Tête enseignante GPT0,424
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNursing leadershipMême sujetGeriatric Care and Nursing HomesTravaux en français237 207