Cognitive and implicit biases in nurses' judgment and decision-making: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Cognitive and implicit biases of healthcare providers can lead to adverse events in healthcare and have been identified as a patient safety concern. Most research on the impact of these systematic errors in judgment has been focused on diagnostic decision-making, primarily by physicians. As the largest component of the workforce, nurses make numerous decisions that affect patient outcomes; however, literature on nurses' clinical judgment often overlooks the potential impact of bias on these decisions. The aim of this study was to map the evidence and key concepts related to bias in nurses' judgment and decision-making, including interventions to correct or overcome these biases. METHODS: We conducted a scoping review using Joanna Briggs methodology. In November 2020 we searched CINAHL, PsychInfo, and PubMed databases to identify relevant literature. Inclusion criteria were primary research about nurses' bias; evidence of a nursing decision or action; and English language. No date or geographic limitations were set. RESULTS: We found 77 items that met the inclusion criteria. Over half of these items were published in the last 12 years. Most research focused on implicit biases related to racial/ethnic identity, obesity, and gender; other articles examined confirmation, attribution, anchoring, and hindsight biases. Some articles examined heuristics and were included if they described the process of, and the problems with, nurse decision-making. Only 5 studies tested interventions to overcome or correct biases. 61 of the studies relied on vignettes, surveys, or recall methods, rather than examining real-world nursing practice. This could be a serious oversight because contextual factors such as cognitive load, which have a significant impact on judgment and decision-making, are not necessarily captured with vignette or survey studies. Furthermore, survey and vignette studies make it difficult to quantify the impact of these biases in the healthcare system. CONCLUSIONS: Given the serious effects that bias has on nurses' clinical judgment, and thereby patient outcomes, a concerted, systematic effort to identify and test debiasing strategies in real-world nursing settings is needed. TWEETABLE ABSTRACT: Bias affects nurses' clinical judgment - we need to know how to fix it.
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 | 0,035 | 0,207 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,023 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».