Use of the Smart Excretion Care System Linked to Electronic Medical Records to Alleviate Nursing Burden and Enhance Patient Convenience: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: The surge in older demographics has inevitably resulted in a heightened demand for health care, and a shortage of nursing staff is impending. Consequently, there is a growing demand for the development of nursing robots to assist patients with urinary and bowel elimination. However, no study has examined nurses' opinions of smart devices that provide integrated nursing for patients' urinary and bowel elimination needs. OBJECTIVE: This study aimed to evaluate the feasibility of the Smart Excretion Care System tethered to electronic medical records in a tertiary hospital and community care setting and discuss the anticipated reductions in the burden of nursing care. METHODS: Focus group interviews were conducted using the Consolidated Criteria for Reporting Qualitative Research (COREQ) guidelines. The interviews were conducted in March 2021 and involved 67 nurses who had worked at Seoul National University Bundang Hospital for more than 1 year and had experience in assisting patients with excretion care. Data were collected using purposive and snowball sampling methods. RESULTS: A total of four themes relevant to the Smart Excretion Care System were found: (1) expected reductions in the burden of nursing care, (2) applicable indications (by departments and diseases), (3) preferred features/functions, and (4) expected benefits of using the Smart Excretion Care System in clinical facilities. Nurses from comprehensive nursing care wards had the highest burden when it came to excretion care. It was a common opinion that the Smart Excretion Care System would be very useful in intensive care units and should be applied first to patients with stroke or dementia. CONCLUSIONS: Excretion care is one of the most burdensome tasks for nurses, increasing their workload. The development of the Smart Excretion Care System as a digital health intervention could help improve nurses' work efficiency, reduce their burden, and extend to caregivers and guardians.
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 | 0,022 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».