MétaCan
Menu
Retour à la cohorte
Enregistrement W4409191024 · doi:10.1111/nicc.70028

Nurse‐led evidence‐based quality improvement programme to improve intensive care unit patient sleep quality

2025· article· en· W4409191024 sur OpenAlexaboutno aff
W. Wang, Xinyan Cao, Qi Zhang, Chun Cai, Juan Han

Notice bibliographique

RevueNursing in Critical Care · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueIntensive Care Unit Cognitive Disorders
Établissements canadiensnon disponible
Organismes subventionnairesTongji Medical College, Huazhong University of Science and TechnologyTongji UniversityHuazhong University of Science and Technology
Mots-clésMedicinePsychological interventionNursingSleep (system call)Intensive care unitQuality managementEvidence-based practiceProtocol (science)Intervention (counseling)Promotion (chess)Intensive care medicineManagement systemAlternative medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Patients in the intensive care unit (ICU) suffer from significant sleep disturbances, which can negatively impact their healing and overall health. Nurses, as the primary caregivers, need to have expertise in sleep management to ensure better patient outcomes. Implementing nurse-led, evidence-based sleep protocols in ICUs is crucial. AIM: This study aimed to improve ICU patients' sleep quality by developing and implementing a nurse-led, evidence-based SLEEP Bundle, including Sleep initiative, Light control, Eye mask and earplugs usage, Environment noise cancellation and Provision of non-pharmacological (aromatherapy and music therapy) and pharmacological (dexmedetomidine and painkillers) support. METHODS: The Framework of Evidence-based Continuous Quality Improvement and the Ottawa Model of Research Use framework were used to guide the development, implementation and assessment of the SLEEP Bundle. A quasi-experimental study was conducted in a 12-bed surgical intensive care unit (SICU), assessing patient-perceived sleep quality, nurses' self-report knowledge, attitudes and actions regarding patient sleep conditions and nurses' adherence to the interventions. INTERVENTIONS: In order to successfully translate evidence into clinical practice, the protocol was crafted with significant nurse involvement, input in sleep promotion materials and a flexible continuing education component, which provided credits to encourage nurse participation. A sleep-aid kit, complete with non-pharmacological tools, and a system of regular quality control and feedback were integral to the clinical application of the protocol. RESULTS: The intervention significantly enhanced ICU patients' sleep quality, as evidenced by a significant increase in Richards-Campbell Sleep Questionnaire scores from 62 (IQR = 48-72) to 70 (IQR = 62-76) (95% CI [-10.000, -6.000], Z = -6.100, p < .001). Nurses demonstrated a 100% agreement in knowledge items and a significant upsurge in action items following the intervention. Concurrently, adherence to practice standards showed notable improvements in sleep management practices, including enhanced sleep quality assessment, daytime functional exercise support and compliance with environmental regulations, along with increased use of earplugs, eye masks and aromatherapy/music therapy. CONCLUSIONS: The study highlights the effectiveness and feasibility of a nurse-led sleep management strategy, as demonstrated by improved patient outcomes and increased nurse adherence to sleep promotion interventions. RELEVANCE TO CLINICAL PRACTICE: The significant improvements in sleep quality as well as the increased adherence to evidence-based interventions by nurses suggest that this SLEEP Bundle could be effectively translated to other clinical settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,088
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,842
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,088
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,091
Tête enseignante GPT0,457
Écart entre enseignants0,366 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNursing in Critical CareMême sujetIntensive Care Unit Cognitive DisordersTravaux en français237 207