MétaCan
Menu
Retour à la cohorte
Enregistrement W4282027167 · doi:10.1186/s12913-022-07866-x

Effectiveness of registered nurses on patient outcomes in primary care: a systematic review

2022· review· en· W4282027167 sur OpenAlexaff
Julia Lukewich, Ruth Martin‐Misener, Allison A. Norful, Marie-Ève Poitras, Denise Bryant‐Lukosius, Shabnam Asghari, Emily Gard Marshall, Maria Mathews, Michelle Swab, Dana Ryan, Joan Tranmer

Notice bibliographique

RevueBMC Health Services Research · 2022
Typereview
Langueen
DomaineNursing
ThématiqueNursing education and management
Établissements canadiensWestern UniversityQueen's UniversityMcMaster UniversityUniversité de SherbrookeDalhousie UniversityMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésMedicineNursing researchHealth administrationHealth informaticsPublic healthPain medicineHealth services researchPrimary careFamily medicineMEDLINEQuality of Life ResearchNursingAnesthesiologyPathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Globally, registered nurses (RNs) are increasingly working in primary care interdisciplinary teams. Although existing literature provides some information about the contributions of RNs towards outcomes of care, further evidence on RN workforce contributions, specifically towards patient-level outcomes, is needed. This study synthesized evidence regarding the effectiveness of RNs on patient outcomes in primary care. METHODS: A systematic review was conducted in accordance with Joanna Briggs Institute methodology. A comprehensive search of databases (CINAHL, MEDLINE Complete, PsycINFO, Embase) was performed using applicable subject headings and keywords. Additional literature was identified through grey literature searches (ProQuest Dissertations and Theses, MedNar, Google Scholar, websites, reference lists of included articles). Quantitative studies measuring the effectiveness of a RN-led intervention (i.e., any care/activity performed by a primary care RN) that reported related outcomes were included. Articles were screened independently by two researchers and assessed for bias using the Integrated Quality Criteria for Review of Multiple Study Designs tool. A narrative synthesis was undertaken due to the heterogeneity in study designs, RN-led interventions, and outcome measures across included studies. RESULTS: Forty-six patient outcomes were identified across 23 studies. Outcomes were categorized in accordance with the PaRIS Conceptual Framework (patient-reported experience measures, patient-reported outcome measures, health behaviours) and an additional category added by the research team (biomarkers). Primary care RN-led interventions resulted in improvements within each outcome category, specifically with respect to weight loss, pelvic floor muscle strength and endurance, blood pressure and glycemic control, exercise self-efficacy, social activity, improved diet and physical activity levels, and reduced tobacco use. Patients reported high levels of satisfaction with RN-led care. CONCLUSIONS: This review provides evidence regarding the effectiveness of RNs on patient outcomes in primary care, specifically with respect to satisfaction, enablement, quality of life, self-efficacy, and improvements in health behaviours. Ongoing evaluation that accounts for primary care RNs' unique scope of practice and emphasizes the patient experience is necessary to optimize the delivery of patient-centered primary care. PROTOCOL REGISTRATION ID: PROSPERO: International Prospective Register of Systematic Reviews. 2018. ID=CRD42 018090767 .

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)0,024
score de la tête « metaresearch » (Gemma)0,081
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,127

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,081
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0090,009
Bibliométrie0,0060,007
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,132
Tête enseignante GPT0,503
Écart entre enseignants0,371 · 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'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations72
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetNursing education and managementTravaux en français237 207