Psychiatric Care Setting from the Perspective of Psychiatric Nursing Managers
Notice bibliographique
Résumé
Background Nursing managers are well-positioned to enhance holistic care for patients in psychiatric settings. Managers need to use evidence-based data available to them when making nurse staffing decisions. Patient classification systems can be an excellent source of patients’ priority care needs. Objective To understand the meaning of using patient classification systems as a management tool for psychiatric nursing managers. Methods Qualitative study with a content analysis methodological framework. Ten nursing managers from psychiatric institutions in the state of São Paulo participated. Data were collected between August 2016 and May 2017 using a semi-structured interview with recorded audio. Results The sample consisted of nine women and one man with an average of 14 years’ experience in mental health and seven years of management experience. The psychiatric care setting emerged as a general theme surrounded by four subthemes: current model of decision making, ideal model of decision making, nursing staff dimensioning/staffing, and professional and mental health legislation. Only half of the managers used a patient classification system as a management tool, and there were difficulties associated with their use of the tool. Conclusion A conceptual model was developed based on the themes, subthemes, categories, and sub-categories in this study. The model demonstrates major differences between psychiatric settings with biomedical models versus psychosocial models. Managers with knowledge of PCS data can better advocate for patients’ holistic needs and adequate nursing resource allocation. Managers may lack the knowledge and skills required for model transformation, and continuing management/leadership education is recommended.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».