Examining Shift Length and Fatigue
Notice bibliographique
Résumé
BACKGROUND: Neonatal advanced practice providers (APPs) often work prolonged hours in high-acuity neonatal intensive care units (NICUs). It is imperative to understand how fatigue affects the APP's ability to react quickly following long shifts. There is a lack of data on the effects of shift length and fatigue on neonatal APP job performance and clinical decision-making. PURPOSE: The purpose of this study was to describe the variation in shift length, knowledge-based competency, personal well-being, and behavioral alertness for neonatal APPs. METHODS: This study evaluated neonatal APPs before and after a clinical shift. Provider well-being was assessed during the pre-survey. Pretest-posttest surveys evaluated neonatal APP's psychomotor vigilance skills and knowledge. Participants completed an online, anonymous questionnaire to answer a series of knowledge-based questions before and after their shift, along with a psychomotor vigilance test (PVT). A paired t test analysis evaluated the pre- and post-shift PVT values and knowledge-based test scores. RESULTS: Overall, 61 pre-surveys and 42 post-surveys were completed; 36 were matched by participants pre- to post-survey. The mean between pre- and post-knowledge-based questions was statistically significant, with higher posttest scores. There was no statistical difference noted in the paired t test analysis of the PVT values. IMPLICATIONS FOR PRACTICE AND RESEARCH: The small sample size may limit the generalizability of findings, but these results may indicate that shift length does not affect psychomotor vigilance or knowledge-based competency. It is vital that future work assess the associations between APP shift length, fatigue, and critical decision-making.
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 ».