Recognising and responding to intimate partner violence using telehealth: Practical guidance for nurses and midwives
Notice bibliographique
Résumé
AIMS: To synthesise the current, global evidence-informed guidance that supports nurses and midwives to recognise and respond to intimate partner violence (IPV), and how these practices can be translated from face-to-face encounters to care that is delivered through telehealth. BACKGROUND: COVID-19-related social and physical distancing measures increase the risk for individuals who are socially isolated with partners who perpetuate violence. Providing support through telehealth is one strategy that can mitigate the pandemic of IPV, while helping patients and providers stay safe from COVID-19. DESIGN AND METHODS: In this discursive paper, we describe how practical guidance for safely recognising and responding to IPV in telehealth encounters was developed. The ADAPT-ITT (Assessment, Decisions, Administration, Production, Topical Experts, Integration, Testing, Training) framework was used to guide the novel identification and adaptation of evidence-informed guidance. We focused on the first six stages of the ADAPT-ITT framework. CONCLUSIONS: This paper fills a gap in available guidance, specifically for IPV recognition and response via telehealth. We present strategies for prioritising safety and promoting privacy while initiating, managing or terminating a telehealth encounter with patients who may be at risk for or experiencing IPV. Strategies for assessment, planning and intervention are also summarised. System-level responses, such as increasing equitable access to telecommunication technology, are also discussed. RELEVANCE TO CLINICAL PRACTICE: Integrating innovative IPV-focused practices into telehealth care is an important opportunity for nurses and midwives during the current global COVID-19 pandemic. There are also implications for future secondary outbreaks, natural disasters or other physically isolating events, for improving healthcare efficiency, and for addressing the needs of vulnerable populations with limited access to 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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».