MétaCan
Menu
Retour à la cohorte
Enregistrement W4416018341 · doi:10.1016/j.jtv.2025.100967

Knowledge, attitudes, and practices (KAP) of nurses towards wound cleansing: design and evaluation of measurement properties of a questionnaire

2025· article· en· W4416018341 sur OpenAlexaffabout
Erin M. Rajhathy, Karin Falk‐Brynhildsen, Kevin Woo, Dimitri Beeckman

Notice bibliographique

RevueJournal of Tissue Viability · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiquePressure Ulcer Prevention and Management
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésInternal consistencyConfirmatory factor analysisConsistency (knowledge bases)Content validityConstruct validityMEDLINE

Résumé

récupéré en direct d'OpenAlex

Wound cleansing is a fundamental component of chronic wound management; yet, high-quality evidence to guide practice is limited. Understanding nurses’ knowledge, attitudes, and practices (KAP) is essential, but no instrument with published evidence of acceptable measurement properties exists. To develop a KAP questionnaire on wound cleansing for community nurses and evaluate its measurement properties. A multi-phase study was conducted, including literature/consensus item generation; a two-round international Delphi process; pilot cognitive interviews; and field testing in Canada. Knowledge was assessed for item and construct validity; attitude for internal consistency (Cronbach’s α); and all KAP items for stability using test-retest reliability. 26 experts supported content relevance; feedback led to targeted revisions. Field testing involved 130 nurses (83.1% homecare; > 80% with ≥ 5 years of wound care experience). Several knowledge items were too easy (≥ 0.90); none negatively discriminated. Exploratory principal components analysis of attitudes yielded three components (63% of variance); internal consistency ranged from α = 0.41 to α = 0.76. In the subsample (n = 30), knowledge κ values ranged from slight/fair to substantial; some items ceiling effects (uniform responses, κ undefined). Attitude and practice item-level intraclass correlation coefficients varied (0.07 – 0.95), with several ≥ 0.75 and others < 0.60. Known-groups comparison supported higher knowledge among formally educated nurses. Evidence supports content validity and a clarified attitudes structure; internal consistency and stability were acceptable for some elements but below the threshold for others. Future refinement and confirmatory testing are warranted. • Wound cleansing is critical yet under-researched; recommendations rely heavily on expert consensus, contributing to clinical uncertainty and practice variation. • A KAP questionnaire on wound cleansing was developed and its measurement properties evaluated (Delphi, cognitive interviews, field testing) in line with COSMIN methodology. • Evidence supported content validity and a three-component attitude structure; internal consistency was acceptable for one component (α = 0.76) and low for another (α = 0.41). • Known-groups analysis showed higher knowledge among nurses with formal education; item-level stability was mixed (several ICC ≥ 0.75; others < 0.60; ceiling effects on some knowledge items). • Findings identify targets for refinement (over-easy/weakly discriminating items; ambiguous wording) and underscore the need for empirical studies on effective irrigation pressures in chronic wounds; the instrument shows promise for education and quality improvement pending further testing.

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)0,075
score de la tête « metaresearch » (Gemma)0,078
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,925
Score d'incertitude au seuil0,395

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0750,078
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,266
Tête enseignante GPT0,494
Écart entre enseignants0,228 · 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.

Devis d'étudeObservationnel
DomaineMéthodes
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'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Tissue ViabilityMême sujetPressure Ulcer Prevention and ManagementTravaux en français237 207