The impact of nurse prescribing on health care delivery for patients with diabetes: a rapid review
Notice bibliographique
Résumé
Introduction The global prevalence of diabetes is a pressing public health concern. Over 400 million individuals live with the effects of the disease, predominantly in low- and middle-income countries. In Aotearoa New Zealand (NZ), over 300 000 people have diabetes, resulting in a population rate of 43.1 per 1000. Enabling nurses to prescribe diabetes medications enhances accessibility and improves health outcomes for large sections of the population. Aim This rapid review was undertaken to investigate the influence of nurse prescribing on health care delivery for individuals with diabetes in NZ, Australia, the United Kingdom, and Canada, countries sharing comparable health care systems and multicultural backgrounds. Methods The review protocol was published on PROSPERO. In November 2022, a search was conducted across multiple databases to locate relevant literature and resources constrained to the last decade (from January 2012 to November 2022). Utilising the Preferred Reporting Items for Systematic Reviews and Meta-Analyses framework, data extraction was systematically structured, while rigorous appraisal processes upheld selection quality. Results Fifteen publications were identified as meeting predefined inclusion and exclusion criteria. The review of these articles revealed four main themes: the impact of nurse prescribing on clinical outcomes, levels of patient satisfaction, implications for health care service provisions, and identification of barriers and facilitators associated with nurse prescribing. Discussion This report identifies outcomes of nurse prescribing, concluding it provides a potential avenue for enhancing access to and alleviating the burden on health care systems.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».