MétaCan
Menu
Retour à la cohorte
Enregistrement W3173794630 · doi:10.1097/nnr.0000000000000524

Acceptability of Nurse-Driven HIV Screening for Key Populations in Emergency Departments

2021· article· en· W3173794630 sur OpenAlexaff
Judith Leblanc, José Côté, Patricia Auger, Geneviève Rouleau, Théophile Bastide, Hélène Piquet, Hélène Fromentin, Carole Jegou, Gaëlle Duchêne, Rachel Verbrugghe, Cécile Lancien, Tabassome Simon, Anne‐Claude Crémieux

Notice bibliographique

RevueNursing Research · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV/AIDS Research and Interventions
Établissements canadiensUniversité de MontréalCentre Hospitalier de l’Université de Montréal
Organismes subventionnairesnon disponible
Mots-clésKey (lock)Human immunodeficiency virus (HIV)Medical emergencyMedicineNurse practitionersHIV screeningNursingFamily medicineHealth careComputer scienceMen who have sex with menPolitical scienceComputer security

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Optimizing care continuum entry interventions is key to ending the HIV epidemic. Offering HIV screening to key populations in emergency departments (EDs) is a strategy that has been demonstrated to be effective. Analyzing patient and provider perceptions of such screening can help identify implementation facilitators and barriers. OBJECTIVES: The aim of this study was to investigate the acceptability of offering nurse-driven HIV screening to key populations based on data collected from patients, nurses, and other service providers. METHODS: This convergent mixed-methods study was a substudy of a cluster-randomized two-period crossover trial conducted in eight EDs to evaluate the effectiveness of the screening strategy. During the DICI-VIH (Dépistage Infirmier CIblé du VIH) trial, questionnaires were distributed to patients aged 18-64 years. Based on their responses, nurses offered screening to members of key populations.Over 5 days during the intervention period in four EDs, 218 patients were secondarily questioned about the acceptability of screening. Nurses completed 271 questionnaires pre- and posttrial regarding acceptability in all eight EDs. Descriptive analyses were conducted on these quantitative data. Convenience and purposeful sampling was used to recruit 53 providers to be interviewed posttrial. Two coders conducted a directed qualitative content analysis of the interview transcripts independently. RESULTS: The vast majority of patients (95%) were comfortable with questions asked to determine membership in key populations and agreed (89%) that screening should be offered to key populations in EDs. Nurses mostly agreed that offering screening to key populations was well accepted by patients (62.2% pretrial and 71.4% posttrial), was easy to implement, and fell within the nursing sphere of competence. Pretrial, 73% of the nurses felt that such screening could be implemented in EDs. Posttrial, the proportion was 41%. Three themes emerged from the interviews: preference for targeted screening and a written questionnaire to identify key populations, facilitators of long-term implementation, and implementation barriers. Nurses were favorable to such screening provided specific conditions were met regarding training, support, collective involvement, and flexibility of application to overcome organizational and individual barriers. DISCUSSION: Screening for key populations was perceived as acceptable and beneficial by patients and providers. Addressing the identified facilitators and barriers would help increase screening implementation in EDs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,070
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,166

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,070
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,213
Tête enseignante GPT0,528
Écart entre enseignants0,314 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNursing ResearchMême sujetHIV/AIDS Research and InterventionsTravaux en français237 207