Understanding the Need for Tools and Resources to Manage Enteral Nutrition Intolerance: An On-line Survey
Notice bibliographique
Résumé
Purpose: Enteral nutrition intolerance (ENI) is a common complication among tube-fed patients, associated with reduced volumes of nutrition delivered, and may contribute to malnutrition risk. This research aimed to obtain insights about dietitians’ needs and preferences related to tools and resources to help identify and manage ENI. Methods: An online survey was administered to registered dietitians (RD) engaged in enteral nutrition (EN) management, recruited from a list of attendees at a national webinar. The 16-question survey asked about participant’s experience with ENI and interest in resources to manage ENI. Results: Of the 219 surveys completed (25% response rate), 86% identified ENI as an issue/concern that interferes with adequate nutrition or hydration for their patients. Ninety-seven percent reported being interested in having tools/resources to manage ENI. The symptoms identified as most pressing to manage were diarrhea (73%), bloating/abdominal discomfort (42%), and nausea (32%). Preferred types of tools were hard-copy resources (70%), algorithms (67%), and web-based instruments (62%). Conclusions: ENI remains an issue for clinicians working with tube-fed patients and RDs are interested in management tools. These results have implications for the development of evidence-based resources to help improve EN delivery and ultimately may contribute to clinician’s efforts at reducing malnutrition.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».