EDUCATING HOME CARE NURSES ABOUT DEPRESCRIBING APPROACHES TO PROMOTE ACTIVE LIVING OF FRAIL OLDER ADULTS AT HOME
Notice bibliographique
Résumé
Deprescribing is considered to be an essential part of the prescribing process where healthcare providers carefully assess the need for backing off when medication dosages are too high, or stopping medications that are no longer needed on an ongoing basis. One important role of nurses in homecare is medication management, and therefore educational training must be developed to support homecare nurses in the development of their awareness and understanding of de-prescribing approaches to help enable the opportunities for active and independent living of the frail elders at home. This study used qualitative exploratory research design, consisting of two focus group interviews with eleven homecare nurses in Ontario, Canada. Content analysis method was used for data analysis process. The findings of the study illustrate that there is a need for undertaking deprescribing approach from homecare nurse’s perspective. Nurses indicated that lack of communication, education, and collaboration among inter-professional healthcare providers act as major barrier to practice safe deprescribing approaches. Furthermore, participants have acknowledged that there is a need for basic education of deprescribing for healthcare providers, informal caregivers, and older adults. The outcome of this project includes the development of innovative training tools that help support homecare nurses in identifying at risk older adults who are vulnerable in maintaining their independence in ADL and IADL due to polypharmacy. Our research will help lead to the future development of programs about safer medication management which will foster a supportive and collaborative relationship between the homecare team, frail elders and their informal caregivers.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».