Improving Palliative Care Knowledge of nurses caring for heart failure patients
Notice bibliographique
Résumé
BACKGROUND: Approximately 80% of patients with advanced heart failure (HF) die within five years of diagnosis and may benefit from palliative care (PC). PC is underutilized in HF patients. One barrier is nurses' insufficient knowledge of PC. This quality improvement project aimed to enhance the PC knowledge of nurses caring for patients with HF in a Canadian tertiary care setting. METHOD: This project was guided by the Knowledge-to-Action framework. Semi-structured interviews were conducted to identify nurses' learning needs, which informed the development of the educational sessions. These sessions were delivered using hybrid, virtual, and asynchronous modalities. PC knowledge tests were used pre- and post-intervention to evaluate the nurses' PC knowledge. The data were presented using descriptive statistics. RESULTS: Thirteen nurses attended the educational sessions. Ten responses were received for both the pre- and post-knowledge tests. Most participants had more than 10 years of experience, were 41 years or older, and had received prior PC training. The post-test showed improved knowledge (90-100%) of opioid use for symptomatic relief of dyspnea, advanced care planning (ACP) discussions, and communication processes. Knowledge of NSAID use in patients with HF increased by 60%. All nurses demonstrated an understanding of ACP concepts before and after the education. PC concept understanding increased from 80 to 90%. CONCLUSIONS: Educational sessions improved nurses' PC knowledge, and future education should emphasize improving PC perceptions and symptom management. However, evaluating the effectiveness of PC education is challenging because of low participation. Further research with a larger sample, longer implementation time, ongoing evaluation of PC knowledge, and nurses with diverse ages and experiences is required to understand the impact of PC education.
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) | 0,001 | 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 ».