MétaCan
Menu
Retour à la cohorte
Enregistrement W4411958693 · doi:10.33024/mahesa.v5i7.18795

Penerapan Evidence Base Nursing Practice Skrining Diabetic Sensorimotori Polineuropathy (DSPN) di UPT RSUD Labuang Baji Makassar

2025· article· en· W4411958693 sur OpenAlexaboutno aff
Sri Sakinah, Yani Sofiani, Ninik Yunitri

Notice bibliographique

RevueMAHESA Malahayati Health Student Journal · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueStroke Rehabilitation and Recovery
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNursingMedicinePsychology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Diabetes Mellitus is a degenerative disease, if not treated properly it can have a negative impact on complications in various organ systems in the body (Syahid, 2021). One of the complications of diabetes that often occurs is neuropathy (nerve damage) in the feet which increases the incidence of foot ulcers, infections and even the need for foot amputation (Sianipar, 2023). The aim of this research is to prepare Standard Operating Procedures (SPO) for the implementation of EBNP regarding Diabetic Sensorimotor Polyneuropathy (DSPN) Screening in Type 2 Diabetes Mellitus patients. The number of respondents involved in implementing this EBNP was 14 people. In the implementation of EBNP, Diabetic Sensorimotor Polyneuropathy (DSPN) screening was carried out using the mTSN (Modified Toronto Clinic Score Neuropathy) instrument which aims to assess whether there are symptoms of neuropathy and no symptoms of neuropathy. DSPN screening is carried out based on Standard Operating Procedures (SOP). Based on the results of the two instrument tests between mTCSN and mNSI-E using the undercurve test, it can be concluded that the mTCSN instrument has a higher sensitivity value with a value of 0.909, while the sensitivity value for the mNSI-E instrument is smaller than the mTCSN instrument with a value of 0.571. So, to screen for neuropathy it is more effective to use the mTCSN instrument because the sensitivity score is higher. Keywords: Diabetes Mellitus, Screening, Polyneuropathy, DSPN ABSTRAK Diabetes Melitus merupakan penyakit degeneratif bila tidak ditangani dengan baik dapat berdampak buruk menjadi komplikasi pada berbagai sistem organ dalam tubuh (Syahid, 2021). Salah satu komlikasi dari diabetes yang sering terjadi adalah Neuropati (kerusakan saraf) dikaki yang meningkatkan kejadian ulkus kaki, infeksi dan bahkan keharusan untuk amputasi kaki (Sianipar, 2023). Tujuan penelitian ini adalah tersusunnya Standar Prosedur Operasional (SPO) pelaksanaan EBNP tentang Skrining Diabetic Sensorimotori Polyneurophaty (DSPN) pada pasien Diabetes Melitus Tipe 2. Jumlah responden yang terlibat pada pelaksanaan EBNP ini adalah 14 orang. Pada pelaksanaan EBNP ini telah dilakukan skirining Diabetic Sensorimotori Polineuropathy (DSPN) dengan menggunakan instrumen mTSN (Modified Toronto Clinic Score Neuropathy) yang bertujuan untuk menilai ada gejala neuropati dan tidak ada gejala neuropati. Skrining DSPN dilakukan berdasarkan Standar Operasional Prosedur (SOP). Berdasarkan hasil kedua uji intrumen antara mTCSN dengan mNSI-E menggunakan uji undercurve, maka dapat disimpulkan, instrumen mTCSN memiliki nilai sensitivitas yang lebih tinggi dengan nilai 0.909, sedangkan nilai sensitivitas pada instrumen mNSI-E lebih kecil dari instrumen mTCSN dengan nilai 0.571. Maka, untuk melakukan skrining neuropathylebih efektif digunakan instrumen mTCSN karena skor sensitivitasnya lebih tinggi. Kata Kunci: Diabetes Mellitus, Skrining, Polyneurophaty, DSPN

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,023
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,023
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0280,004

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 Opus0,039
Tête enseignante GPT0,422
Écart entre enseignants0,384 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMAHESA Malahayati Health Student JournalMême sujetStroke Rehabilitation and RecoveryTravaux en français237 207