Nurses' drowsy driving prevention strategies: A qualitative exploratory multiple-case study
Notice bibliographique
Résumé
Objective: To explore the strategies registered and licensed practical nurses implemented to lessen the possibility of driving while drowsy after working nights in hospitals, nursing homes, and home health facilities. A review of literature indicated shift work, circadian rhythm interruptions and multiple stressors such as age, caring for children/aging parents and working multiple jobs may affect drowsy driving. Studies on global drowsy driving and cultural differences may affect international applicability. Further research was needed to better understand drowsy driving best practices, training modalities for health care workers, and developing a multidisciplinary collaboration between management and night-shift workers.Methods: A qualitative, exploratory multiple-case method was utilized. Registered and licensed practical nurses (N = 12) were interviewed.Results: Identified themes including three major themes emerged from the data analysis. 1) Fatigue is a significant challenge that impedes driving home safely. 2) Night nurses experience significant additional stressors relating to caring for family, school, and multiple jobs. 3) Multiple strategies are helpful, but they do not replace the body’s need for sleep. Strategies for managing drowsy driving and anxiety/stress producing issues were offered.Conclusions: Twelve-night shift workers shared the challenges drowsy driving and anxiety/stress producing issues outside of the work-related duties. Health care administrators may use the results to gain insight for training nurses for the night shift to prevent drowsy driving injuries and fatalities. The results of the study may offer a platform for further investigation that may uncover best-practice strategies for health care administrators staffing other types of 24-hour medical care facilities.
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 | 0,002 | 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 | 0,001 |
| 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 ».