Safety implications of different forms of understaffing among nurses during the COVID‐19 pandemic
Notice bibliographique
Résumé
AIM: The aim of this study was to investigate the processes through which personnel understaffing and expertise understaffing jointly shape near misses among nurses during the COVID-19 pandemic. BACKGROUND: Inadequate staffing is a chronic issue within the nursing profession, with the safety consequences of understaffing likely being exacerbated by the COVID-19 pandemic. DESIGN: This study used a three-wave, time-separated survey design and collected data from 120 nurses in the United States working on the frontline of the pandemic in hospital settings. METHODS: Participants were recruited through convenience sampling in early April 2020. Eligible nurses completed three surveys across a 6-week period during the COVID-19 pandemic from mid-April to the end of May 2020. Study hypotheses were tested with path analyses. RESULTS/FINDINGS: Results reveal that personnel understaffing and expertise understaffing jointly shape near misses, which are known to precede and contribute to accidents and injuries, through different mechanisms. Specifically, personnel understaffing led to greater use of safety workarounds, which only induced near misses when cognitive failures were high. Further, higher levels of cognitive failures appeared to be the result of greater expertise understaffing. CONCLUSION: This study highlights the importance of addressing issues of understaffing, especially during times of crisis, to better promote nurse and patient safety. IMPACT: This study was the first to examine the distinct mechanisms by which two forms of understaffing impact safety outcomes in the form of near misses. Understanding these mechanisms can help leaders and policymakers make informed staffing decisions by considering the safety implications of understaffing issues.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».