Lessons from Long-Term Care Facilities without COVID-19 Outbreaks
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 crisis in long-term care (LTC) homes was devastating for residents and front-line workers. Recent reports have detailed what went wrong in LTC facilities, including equipment shortages, lack of preparedness, underestimation of COVID-19's virulence and bans on caregiver visits. Less is known about what went well in some facilities. PURPOSE: To describe nurses' and other staff members' experiences and lessons learned in two LTC facilities in Quebec that reported no COVID-19 outbreaks during the first wave of the pandemic. METHODS: Methods: A case study design guided by appreciative inquiry was conducted, in which a case was defined as a LTC facility without COVID-19 outbreaks; two cases were included. Twenty-three healthcare team members from the two sites were recruited and interviewed between October and November, 2020. RESULTS: Several common themes were identified: being informed and respecting outbreak protocols; the presence of key outbreak protocols, which allowed for stable teams; a clear action plan; and access to materials and resources. Key management themes included team support and reward, ongoing communication and providing compassionate care to residents. CONCLUSION: This study highlights several lessons learned that have the potential to strengthen the LTC health system.
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 | 0,011 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,020 | 0,009 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,005 |
| 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 ».