The effectiveness of intervention strategies to improve nurse retention
Notice bibliographique
Résumé
Background and aim: Nurse retention is a persistent issue in the global health sector. Nurses are essential to the strength and resilience of healthcare systems, but current supply, demand, and the needs of the population lead to threats that undermine universal healthcare goals. Consideration of strategies to improve nurse turnout in hospitals has become crucial to national and global healthcare systems. The aim of the study was to identify the effectiveness of intervention strategies implemented to improve nurse retention in 2020 at King Abdullah Medical Complex in Jeddah (KAMCJ).Methods: The present study reviewed the intervention strategies that were carried out in 2020 at KAMCJ in order to improve nurse retention, 511 nurses were included in the improvement project and underwent yearly satisfaction surveys and exit interviews in 2020. The information from the available documents was gathered retrospectively. Results: The current study's findings indicated that the nurse satisfaction and exit interview results were positive in terms of the nurse's working environment, professional development, and promotion opportunities. According to the outcomes, the turnover rate decreased from 19.70% in 2019 to 8.90% in 2020, while the retention rate increased from 80.30% in 2019 to 91.10% in 2022.Conclusions: This study highlighted the importance of developing a multi-dimensional strategy to address issues related to nursing job satisfaction, such as professional growth and development and nurses' working conditions, which significantly increase nursing retention.
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 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 | 0,011 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».