Learnings From a Novel Virtual Care Planning Intervention Targeting Registered Practical Nurses in Long-Term Care Homes During COVID-19
Notice bibliographique
Résumé
Introduction: The PIECES approach has been utilized for over 25 years across various Canadian healthcare settings, including long-term care (LTC). PIECES fosters a team-based, person-centred approach to addressing responsive behaviors—such as yelling and restlessness—often linked to unmet personal needs. Objective: This study aimed to explore, with implementation of the virtual version of PIECES: (a) the experiences of LTC staff, focusing on challenges, facilitators, and recommendations; and (b) resilience and interprofessional collaboration among LTC staff. Methods: A convergent mixed method approach used focus groups with registered practical nurses (RPNs), managers, PIECES-trained RPN champions and PIECES mentors to gather their experiences. Surveys at baseline and post-intervention assessed individual and workplace resilience, and team collaboration. Results: Themes identified through reflexive thematic analysis included increased team collaboration and efficacy to manage responsive behaviors through PIECES care planning. Formalized processes supported by leadership with input from family/care partners enhanced nurses’ ability to provide the needed care for responsive behaviors. Primary challenges to PIECES implementation were unfamiliarity with technology and staff shortage. Recommendations included embedding technology in usual care, ongoing support with referral process and continued virtual PIECES training. Standard outcome measures revealed reduced personal and workplace resilience, and team collaboration. Discussion and Conclusion: The RPN-led referral algorithm for the virtual PIECES approach invested the LTC staff together during the difficult COVID period and challenged their existing skills and knowledge of technology.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».