The Impact of Digital Health Transformation Driven by COVID-19 on Nursing Practice: Systematic Literature Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has accelerated the uptake of digital health innovations due to the availability of various technologies and the urgent health care need for treatment and prevention. Although numerous studies have investigated digital health adoption and the associated challenges and strategies during the pandemic, there is a lack of evidence on the impact on the nursing workforce. OBJECTIVE: This study aims to identify the impact of digital health transformation driven by COVID-19 on nurses. METHODS: The online software Covidence was used to follow the Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) protocol. Relevant scientific health and computing databases were searched for papers published from January 2020 to November 2021. Using the 8D sociotechnical approach for digital health in health care systems, the papers were analyzed to identify gaps in applying digital health in nursing practice. RESULTS: In total, 21 papers were selected for content analysis. The analysis identified a paucity of research that quantifies the impact of the digital health transformation on nurses during the pandemic. Most of the initiatives were teleconsultation, followed by tele-intensive care unit (tele-ICU), and only 1 (5%) study explored electronic medical record (EMR) systems. Among the sociotechnical elements, the human-related factor was the most explored and the system measurement was the least studied item. CONCLUSIONS: The review identified a significant gap in research on how implementing digital health solutions has impacted nurses during the COVID-19 pandemic. This gap needs to be addressed by further research to provide strategies for empowering the nursing workforce to be actively involved in digital health design, development, implementation, use, and evaluation.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 découle