Enhancing Evidence-Based Practice Implementation in Acute Care: A Qualitative Case Study of Nurses’ Roles, Interprofessional Collaboration, and Professional Development
Notice bibliographique
Résumé
Background and PurposeEvidence-based practice (EBP) is essential for improving patient outcomes and healthcare quality. However, its implementation in acute care remains inconsistent due to organisational hierarchies, professional silos, and limited access to continuous professional development (CPD). Nurses play a key role in translating research into practice but often encounter barriers that limit their ability to lead EBP initiatives. Interprofessional collaboration and CPD are recognised enablers of EBP, yet their impact in acute care requires further investigation. This study explores how interprofessional collaboration, nurse-led initiatives, and CPD influence EBP adoption.Methods and ProceduresA collective qualitative case study was conducted across two acute care hospitals in the East Midlands, England. Data collection included 25 semi-structured interviews, nonparticipant observations, and document analysis over six years, with an intensive fieldwork phase in 2022. Thematic analysis was used to identify key patterns related to EBP adoption, interprofessional collaboration, and nurse-led knowledge implementation.ResultsNurses actively advocated for EBP integration but often worked independently due to the absence of formal collaboration structures. Interprofessional collaboration facilitated knowledge-sharing and decision-making, yet hierarchical constraints limited nurses' influence in clinical governance. CPD enhanced nurses' confidence and ability to challenge outdated practices, but disparities in access led to inconsistent EBP engagement across nursing teams.ConclusionStructured CPD, interdisciplinary collaboration, and inclusive decision-making are essential for EBP adoption. Addressing hierarchical constraints and resource limitations is crucial for sustaining evidence-driven care. Future research should explore the long-term sustainability of EBP implementation.
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 | 0,033 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,016 | 0,012 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».