White lie during patient care: a qualitative study of nurses’ perspectives
Notice bibliographique
Résumé
BACKGROUND: Keeping the patients well and fully informed about diagnosis, prognosis, and treatments is one of the patient's rights in any healthcare system. Although all healthcare providers have the same viewpoint about rendering the truth in treatment process, sometimes the truth is not told to the patients; that is why the healthcare staff tell "white lie" instead. This study aimed to explore the nurses' experience of white lies during patient care. METHODS: This qualitative study was conducted from June to December 2018. Eighteen hospital nurses were recruited with maximum variation from ten state-run educational hospitals affiliated to Tehran University of Medical Sciences. Purposeful sampling was used and data were collected by semi-structured interviews that were continued until data saturation. Data were classified and analyzed by content analysis approach. RESULTS: The data analysis in this study resulted in four main categories and 11 subcategories. The main categories included hope crisis, bad news, cultural diversity, and nurses' limited professional competences. CONCLUSION: Results of the present study showed that, white lie told by nurses during patient care may be due to a wide range of patient, nurse and/or organizational related factors. Communication was the main factor that influenced information rendering. Nurses' communication with patients should be based on mutual respect, trust and adequate cultural knowledge, and also nurses should provide precise information to patients, so that they can make accurate decisions regarding their health care.
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 | 0,057 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».