Workplace Reintegration Programs, Policies, and Procedures for Nurses Experiencing Operational Stress Injury: A Scoping Literature Review
Notice bibliographique
Résumé
BACKGROUND: Nurses experience elevated rates of operational stress injuries (OSIs). This can necessitate taking leave from work and subsequently engaging in a workplace reintegration process. An unsuccessful process can have long term impacts on a nurse's career, affecting the individual, their family, and broader community, while contributing to nursing shortages. A knowledge gap regarding the workplace reintegration of nurses experiencing mental health challenges, impedes the development and implementation of initiatives that might increase the success of nurses reintegrating into the workplace. This scoping review explored the existing literature concerning workplace reintegration for nurses experiencing OSIs. METHODS: The Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR) reporting guidelines were utilized. Three key search terms across six databases were employed followed by a qualitative content analysis of the resulting literature. RESULTS: Eight documents were included. The literature exhibited high heterogeneity in objectives, content, and article types. The content analysis revealed five themes: (1) recognizing stigma, (2) elements of successful workplace reintegration, (3) considerations for military nurses, (4) considerations for nurses with substance use disorders, and (5) gaps in the existing literature. CONCLUSION: A paucity of programs, policies, procedures, and research exists regarding workplace reintegration for nurses facing mental health challenges. It is imperative to recognize that nurses may experience OSIs, necessitating mental health support, time off work, and operationally/culturally-specific assistance in returning to work. Innovative and evidence-based approaches to workplace reintegration are needed to enhance the retention of a skilled, experienced, compassionate, and healthy nursing workforce.
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 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,007 |
| Bibliométrie | 0,022 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| 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 ».