Notice bibliographique
Résumé
Objective: Previous studies had found that rest breaks can not only prevent or improve negative reactions to stress in healthcare staff, but also reduce turnover in understaff conditions, improve work performance, and ultimately improve patient outcomes. As a result, many inpatient units had implemented a nursing position called a Break Nurse, whose sole purpose was to provide rest breaks. However, the implementation of a Break Nurse and its effectiveness was not reported in literature. Therefore, this quality improvement QI project proposed to implement Break Nurses on an acute care unit of impatient setting and investigate its effectiveness on nursing staff.Methods: The selected unit previously utilizing a Break-Buddy model for securing rest breaks was able to start a two 8-hour shift Break Nurse model. The hypothesis is that the Two-Break-Nurse model, when compared with the Break-Buddy model, will better secure rest breaks, reduce burnout symptoms experienced by nursing staff. The validated tool used to measure burnout is the Maslach Burnout Inventory. The study utilized pre- and post-implementation self-report survey statistical analysis to report outcomes.Results: In the end, 14 individuals had responded to both pre- and post implementation surveys. The results show that there was statistically significant improvement of Emotional Exhaustion. Due to the small sample size, the measurement of Depersonalization and Personal Accomplishment did not show statistically significant improvement.Conclusions: The Two-Break-Nurse model is effective at reducing emotional exhaustion for nursing staff. Further studies are needed to measure in a larger scale the effectiveness of break nurse model on other aspects of burnout and the improvement of clinical outcomes.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».