Nurses and Unlicensed Assistive Personnel's Practices in Caring for Patients With Delirium in Acute Care Settings: Protocol for the PRACTICE Study
Notice bibliographique
Résumé
Introduction: Few studies have investigated nursing practice in relation to delirium in acute care settings, and no studies have investigated the care of unlicensed assistive personnel (UAPs) in this context. As a result, it becomes challenging to support the delivery of optimal care and thereby improve delirium-related patient outcomes. Objective: This manuscript reports on the development of two survey tools and a study protocol that aims to (1) describe the current practices of nurses and UAPs in the context of nursing care in delirium and to (2) highlight the barriers and facilitators to the delivery of optimal delirium care. Methods: This multi-method study aims to recruit nurses and UAPs. During an initial quantitative phase, participants will answer two survey tools designed respectively for nurses and UAPs. These tools were developed using a modified Delphi technique and a guide based on Burns et al. (2008) and Eysenbach (2004). They examine delirium knowledge, practice, collaboration, confidence, and the impact of the COVID-19 pandemic on practice relatively to delirium. Descriptive and inferential statistical analyses will be performed on this data. The qualitative phase will include focus groups and interviews with nurses and UAPs to explore topics from the survey tools more in-depth. Thematic analysis will be performed on the transcripts. Data from both phases will answer the two study aims. Discussion and Research Spin-offs: This study will be the first to report on the delirium care offered by UAPs. The survey tools developed can identify nurses’ and UAPs’ practices, and the barriers and facilitators to optimum nursing care for people with delirium.
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 | 0,003 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».