MétaCan
Menu
Retour à la cohorte
Enregistrement W3174851547 · doi:10.1111/nin.12437

Beyond technology, drips, and machines: Moral distress in PICU nurses caring for end‐of‐life patients

2021· article· en· W3174851547 sur OpenAlexaffabout
Michelle Gagnon, Diane Kunyk

Notice bibliographique

RevueNursing Inquiry · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueEthics in medical practice
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésEnd-of-life careDignityBioethicsNursingDistressPediatric intensive care unitLife supportIntensive carePalliative carePsychologyIntensive care unitMedicinePsychiatryIntensive care medicinePsychotherapistPolitical science

Résumé

récupéré en direct d'OpenAlex

Moral distress is an experience of profound moral compromise with deeply impactful and potentially long-term consequences to the individual. Critical care areas are fraught with ethical issues, and end-of-life care has been associated with numerous incidences of moral distress among nurses. One such area where the dichotomy of life and death seems to be at its sharpest is in the pediatric intensive care unit. The purpose of this study was to understand the moral distress experiences of pediatric intensive care nurses when caring for pediatric patients at the end of life. A secondary analysis was undertaken of seven transcripts from registered nurses across six Canadian pediatric intensive care units and produced three themes: under prioritization of child patient dignity, burden of insider knowledge, and environmental constraints on nursing roles and responsibilities. When caring for patients at the end of life, nurses experienced moral distress when a dignified death was not realized. Furthermore, despite interprofessional collaboration efforts in Canada, the concept of silo mentality persists and contributes to moral distress. Organizational involvement is needed to address moral distress in pediatric intensive care nurses both to achieve a dignified death for child patients and in addressing silo mentality.

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)0,006
score de la tête « metaresearch » (Gemma)0,030
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,074

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,030
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0100,013
Communication savante0,0050,003
Science ouverte0,0010,006
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,087
Tête enseignante GPT0,467
Écart entre enseignants0,380 · 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'étudeQualitatif
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

Citations30
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNursing InquiryMême sujetEthics in medical practiceTravaux en français237 207