EXPLORING BED SENSOR SLEEP TECH: INSIGHTS FROM INTERDISCIPLINARY TEAM IN A GERIATRIC ASSESSMENT INPATIENT SETTING
Notice bibliographique
Résumé
Abstract Poor sleep can affect cognitive function and decrease overall quality of life. Evaluating sleep is critical in the care of hospitalized older adults. This study compared the use of traditional paper-based logs charted by nurses to record sleep patterns with smart sensors offering continuous monitoring and analysis of sleep patterns. The goal was to investigate the perspectives of staff members in an interdisciplinary team on sleep monitoring methods. We also asked participants about barriers and facilitators in implementing bed sensor technology in an Inpatient setting. Employing Interpretive Descriptive methodology, we conducted interviews and focus groups involving 29 staff members with diverse roles in one inpatient setting. The Consolidated Framework for Implementation Research (CFIR) guided our data analysis. Our findings indicate that while the traditional paper-based method, somnolog, is prone to inaccuracies from subjective estimates and sleep disturbances, bed sensor sleep technology is perceived as efficient, data-driven, and evidence-supported. Barriers to technology adoption include resistance to change, consent issues, patient comfort and safety concerns, and familiarity with the technology. On the other hand, facilitating factors comprise orientation and training, trial integration, effective communication, and evidence-based incentives. Utilizing the CFIR framework provides valuable insights into the challenges and aids in incorporating technology into care settings. Future research should focus on practical strategies involving interdisciplinary teams to facilitate innovative practices.
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 | 0,012 | 0,016 |
| 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 | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».