Improving Patient and Caregiver New Medication Education Using an Innovative Teach-back Toolkit
Notice bibliographique
Résumé
BACKGROUND: Patients and caregivers are often not adequately informed about new medications. Nurses can lead innovations that improve new medication education. LOCAL PROBLEM: Healthcare Consumer Assessment of Healthcare Providers and Systems (HCAHPS) scores on medication questions trailed state and national levels in one Midwestern hospital. METHODS: This quality improvement project, guided by the Ottawa Model of Research Use and the Always Use Teach-back! innovative toolkit, used a 1-group pre- and posteducation design with RNs, patients, and caregivers. INTERVENTION: RNs (n = 25) were observed in patient/caregiver education and surveyed in confidence/con-viction in the teach-back method before and after education. Patients' (n = 74) and caregivers' (n = 33) knowledge was assessed. RESULTS: RNs reported significant increases in conviction in the importance of (P < .0001), confidence in using (P < .0001), and frequency in using (P < .0001) teach-back. With teach-back, both patients and caregivers recalled the purpose and side effects of new medications. Specific HCAHPS scores increased from 6% to 10%. CONCLUSION: The teach-back method strengthened safe nursing practice and enhanced quality in new medication education.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».