MétaCan
Menu
Retour à la cohorte
Enregistrement W2996455751 · doi:10.3390/ijerph17010017

Effectiveness of Lifestyle Health Promotion Interventions for Nurses: A Systematic Review

2019· review· en· W2996455751 sur OpenAlexaboutno aff
Natalia Stanulewicz, Emily Knox, Melanie Narayanasamy, Noureen Shivji, Kamlesh Khunti, Holly Blake

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2019
Typereview
Langueen
DomaineHealth Professions
ThématiqueHealth and Wellbeing Research
Établissements canadiensnon disponible
Organismes subventionnairesDepartment of Health and Social CareNational Institute for Health and Care Research
Mots-clésPsychological interventionHealth promotionSystematic reviewMEDLINEMedicineOccupational safety and healthEnvironmental healthPsychologyNursingPublic healthPolitical science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Prior research has investigated various strategies to improve health, wellbeing and the job-related outcomes of nurses. However, the scope of this evidence is not clear and the types of intervention most likely to have positive outcomes are unknown. OBJECTIVE: To provide an overview and synthesis of the effectiveness of interventions conducted with the goal of improving health, wellbeing and the job-related outcomes of nurses. METHODS: A systematic database search was conducted from January 2000 to December 2018, with pre-defined criteria (Cochrane Central Register of Controlled Trials; MEDLINE and PubMed; EMBASE; CINAHL; PsycINFO; and BioMed Central). In total, 136 intervention studies with a total sample of 16,129 participants (range 9-3381) were included and evaluated. Data extraction, quality assessment and risk of bias analyses were performed. RESULTS: Studies included randomised controlled trials (RCTs; n = 52, 38%), randomised crossover design studies (n = 2, 1.5%) and non-randomised pre-post studies with a control group (n = 31, 23%) and without a control group (n = 51, 37.5%). The majority of interventions focused on education, physical activity, mindfulness, or relaxation. Thirty-seven (27%) studies had a multimodal intervention approach. On average, studies had relatively small samples (median = 61; mode = 30) and were conducted predominantly in North America (USA/Canada, n = 53). The findings were mixed overall, with some studies reporting benefits and others finding no effects. Dietary habits was the most successfully improved outcome (8/9), followed by indices of body composition (20/24), physical activity (PA) (11/14), and stress (49/66), with >70% of relevant studies in each of these categories reporting improvements. The lowest success rate was for work-related outcomes (16/32). Separate analysis of RCTs indicated that interventions that focus solely on education might be less likely to result in positive outcomes than interventions targeting behavioural change. CONCLUSIONS: Interventions targeting diet, body composition, PA, or stress are most likely to have positive outcomes for nurses' health and/or wellbeing. The methodologically strongest evidence (RCTs) is available for body composition and stress. Interventions relying solely on educational approaches are least likely to be effective. Organisational outcomes appear to be more challenging to change with lifestyle intervention, likely requiring more complex solutions including changes to the work environment. There is a need for more high-quality evidence since many studies had moderate or high risk of bias and low reporting quality.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,015
score de la tête « metaresearch » (Gemma)0,053
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,077

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,053
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0100,009
Bibliométrie0,0090,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,321
Tête enseignante GPT0,612
Écart entre enseignants0,291 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations215
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetHealth and Wellbeing ResearchTravaux en français237 207