An exploratory study of nurses’ ideas on how to improve compliance with the use of personal protective equipment when caring for patients on additional precautions
Notice bibliographique
Résumé
Background: Healthcare-associated infections (HAI) present a significant risk to patients globally and they are listed as one of the most frequent adverse events in healthcare. The use of personal protective equipment (PPE) is one method of reducing transmission, yet despite the benefits of appropriate PPE being well documented, compliance by healthcare workers is poor. The aim of this study was to assess nurses’ ideas to improve compliance with PPE when caring for patients on additional precautions. Methods: The study took place at a 148-bed acute care hospital in British Columbia, Canada. A total of eight nurses, both licensed practical nurses (LPNs), and registered nurses (RNs) were selected from across the different wards based on their ability to provide the information required for the research study. Data was collected using qualitative semi-structured interviews to the point of data saturation, and consensus was obtained following the Delphi technique. Results: Eight themes emerged from the coding: risk assessment, knowledge/education, time/staffing, visible leadership, COVID-19 pandemic, patients, ward culture and PPE audits. The results were separated into two groups, influences on compliance and ideas for improving compliance. Conclusion: All eight themes contributed to the perception of risk which was identified as having the greatest influence on PPE compliance. These findings highlight the need for further research into the multifactorial approach to improving PPE compliance drawing from healthcare workers perspective.
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) | 0,000 | 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 ».