Management of Non-Physical Violence against Registered Nurses in Hospital Acute Care Setting
Notice bibliographique
Résumé
BACKGROUND: The issue of non-physical violence against registered nurses in acute care hospital settings is a pressing concern. As per 2021 CDC figures, there is a prevalence of 38.8 incidents of non-physical violence per 100 nurses annually. Such incidents can lead to serious consequences, including behavioral changes and decreased job effectiveness. Addressing this challenge is essential for ensuring a safe and efficient working environment for healthcare professionals. AIM: The study aims to explore management practices related to non-physical violence against registered nurses (RNs) in hospital acute care (AC) settings. It aims to answer the following main question: What are the effective management practices that can identify the reasons for, and evaluate measures to prevent, non-physical violence against registered nurses in hospital acute care settings? METHODOLOGY: The study employed a systematic examination of electronic databases, utilizing sources from ProQuest, PsycINFO, and the Medline library for the period between 2016 and 2022. Six paramount studies that scrutinized non-physical violence against healthcare professionals were included, with relevant articles meticulously analyzed to yield valid conclusions. Thematic analysis was employed to decipher the patterns emerging from the selected studies. RESULTS: Notable themes encompassed the causative factors behind non-physical violence against registered nurses in hospitals and the strategies employed to alleviate such incidents. These factors include high work pressure and stress, inadequate training and professionalism, absence of person-centered care, and unawareness and issues with patient family members. CONCLUSION: This study affirms that targeted training programs could significantly augment nurses’ capabilities to handle non-physical violence effectively. A heightened level of synergy between healthcare personnel and hospital management is crucial to enable immediate reporting of incidents and pave the way for safer working conditions.
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 | 0,012 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».