Integration of a dental hygienist into the interprofessional <scp>long‐term</scp> care team
Notice bibliographique
Résumé
BACKGROUND: To address poor oral health of residents in long-term care homes (LTCH), this study explored the process of integrating an educational resource and a dental hygienist on the interprofessional care team. METHODS: This convergent mixed-methods study took place at a 472-bed LTCH in Toronto, Canada from February to August 2018. Nurses employed at the LTCH participated in the study. During the study period, a dental hygienist was integrated into an interprofessional LTCH team. Nurses completed an online eLearning module about using the Oral Health Assessment Tool (OHAT) when referring residents' oral health concerns to a. Pre/post knowledge quizzes, module feedback and satisfaction surveys were administered. A retrospective chart review examined OHAT use and compared nurse and dental hygienist oral health assessments. Two cycles of semi-structured interviews with five nurses explored experiences with the eLearning module, OHAT and integration of the dental hygienist into the team. RESULTS: Nurses scored well on the knowledge quizzes and reported comfort in using the OHAT to refer oral concerns to a dental hygienist; however, actual use was minimal. oral health issues were under-reported by nurses on the Resident Assessment Instrument-Minimum Data Set (RAI-MDS); the dental hygienist reported significantly more debris, teeth lost and carious teeth (all P < 0.0001). Qualitative analysis indicated that the nurses valued dental hygienist integration into the team. Using knowledge mobilisation practices, a new oral health referral tool was developed. CONCLUSIONS: This study highlights the feasibility and desirability of an oral health eLearning module, practical assessment tools and participation of a dental hygienist on the LTCH interprofessional care team.
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 | 0,001 |
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 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 ».