Analyse d'implantation de l'approche de récupération améliorée après chirurgie (RAAC) selon une perspective infirmière : étude qualitative
Notice bibliographique
Résumé
L’approche de récupération améliorée après chirurgie (RAAC) vise à diminuer les complications postopératoires et la durée moyenne de séjour des patients, optimisant ainsi leur retour à domicile pour éviter les réadmissions. À la vue de ses résultats cliniques avérés, de nombreux établissements de santé dans le monde et au Québec ont adopté ce changement novateur dans la prise en charge de leurs patients. \n \nL'étude se concentre sur l’implantation de l’approche RAAC au Centre Hospitalier Universitaire de Sherbrooke (CHUS) en Estrie. L’objectif est d’analyser les facteurs influençant l’implantation de l’approche RAAC ainsi que les facteurs influençant la contribution des infirmières gestionnaires à cette implantation. Basée sur le cadre théorique de Chaudoir et al. (2013), cette étude utilise un devis qualitatif descriptif. Dix entretiens semi-dirigés ont été réalisés avec des infirmières gestionnaires impliquées dans l’implantation de la RAAC, suivi d'une analyse thématique mixte. \n \nLes résultats montrent que différents facteurs influencent l’implantation, telle que la priorité organisationnelle, la disponibilité des ressources humaines et financières, la collaboration interdisciplinaire et la pandémie de COVID-19. L’étude montre également que les infirmières gestionnaires jouent un rôle crucial dans la gestion des ressources humaines, la gestion du changement, la collaboration interprofessionnelle, et le développement de la pratique professionnelle. \n \nLes résultats guideront les organisations de santé au Québec dans l’identification de stratégies permettant l’exercice optimal du rôle infirmier pour une meilleure implantation de cette approche.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».