Nurse adaptability: Implementing clinical trials in the midst of a pandemic
Notice bibliographique
Résumé
Working in Manhattan, the center of the nations’ outbreak of the novel coronavirus-19 virus truly demonstrated how adaptable nurses are. During this time, multiple clinical research trials began at our academic medical center, NYU Langone Health, as researchers attempted to learn what medical interventions worked best to treat critically-ill COVID-19 patients. In designing and implementing these trials, the researchers had little familiarity with the workings of inpatient hospital units. They did not understand how nursing staff provided care to patients on these units. Likewise, many bedside nurses had never assisted researchers in conducting clinical research on their patients. Therefore, a nursing operations team (NOT) was needed to assist both the research teams and the inpatient nurses. NOT met with the researchers to review proposed clinical research trials and determine how nursing staff would be utilized to complete the required research tasks such as specimen and data collection, study intervention administration, and patient monitoring. Toward that end, NOT developed education and training materials on all of the research trials that were implemented at NYU Langone Health for our bedside nurses. This education included tip sheets, safety huddle rounds with the involved units, and “just in time” education to any nurse whose patient was urgently enrolled in a trial. In this way, NOT helped bedside nurses quickly adapt to their role in assisting the research team conduct their studies on our COVID positive inpatients.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,578 | 0,514 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,008 |
| Communication savante | 0,013 | 0,013 |
| Science ouverte | 0,007 | 0,013 |
| Intégrité de la recherche | 0,009 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».