Nursing interventions for patients with COVID-19: A medical record review and nursing interventions classification study
Notice bibliographique
Résumé
PURPOSE: To describe the nursing interventions provided to patients with COVID-19 using the Nursing Interventions Classification. METHOD: This is a retrospective study involving the review of 1,344 patient records of adults admitted to a specialty hospital for COVID-19 in Tabriz, Iran. The nursing intervention was used to classify documented nursing care and interventions provided to COVID-19-positive patients from February 20 to August 20, 2020. Data were analyzed descriptively using SPSS16. FINDINGS: The 10 most frequently documented nursing interventions across in-patient (ward) and intensive care unit (ICU) contexts included Admission Care (7310), Environmental Management (6486), Health Education (5510), Infection Protection (6550), Medication Administration (2300), Positioning (0840), Respiratory Monitoring (3350), Vital Signs Monitoring (6680), Nausea Management (1450), and Diarrhea Management (0460). No records of distraction, relaxation techniques, or massage for anxiety reduction were documented. CONCLUSION: This study used a common language to describe nursing interventions for patients with COVID-19 admitted to a tertiary hospital. IMPLICATIONS FOR NURSING PRACTICE: The most commonly identified nursing interventions for COVID-19 identified in this study provide evidence-based insight into nurses' scope of practice in the COVID-19 in-patient context.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».