Estimation of moral distress among nurses: A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Moral distress is a common challenge among professional nurses when caring for their patients, especially when they need to make rapid decisions. Therefore, leaving moral distress unconsidered may jeopardize patient quality of care, safety, and satisfaction. AIM: To estimate moral distress among nurses. METHODS: This systematic review and meta-analysis conducted systematic search in Scopus, PubMed, ProQuest, ISI Web of Knowledge, and PsycInfo up to end of February 2022. Methodological quality of included studies was assessed using the Newcastle Ottawa checklist. Data from included studies were pooled by meta-analysis with random effect model in STATA software version 14. The selected key measure was mean score of moral distress total score with its' 95% Confidence Interval was reported. Subgroup analyses and meta-regressions were conducted to identify possible sources of heterogeneity and potentially influencing variables on moral distress. Funnel plots and Begg's Tests were used to assess publication bias. The Jackknife method was used for sensitivity analysis. ETHICAL CONSIDERATION: The protocol of this project was registered in the PROSPERO database under decree code of CRD42021267773. RESULTS: :0.94]. Publication bias and small study effect was ruled out. Moral distress significantly decreased in the COVID-19 pandemic versus before. Nurses working in developing countries experienced higher level of moral distress compared to their counterparts in developed countries. Nurses' workplace (e.g., hospital ward) was not linked to severity of moral disturbance. CONCLUSION: The results of the study showed a low level of pooled estimated score for moral distress. Although the score of moral distress was not high, nurses working in developing countries reported higher levels of moral distress than those working in developed countries. Therefore, it is necessary that future studies focus on creating a supportive environment in hospitals and medical centers for nurses to reduce moral distress and improve healthcare.
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 | 0,024 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,042 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 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 ».