Development of Telenursing Guidelines to Improve the Quality of Services in Diabetic Wound Care in a Hospital in Thailand: Case Study
Notice bibliographique
Résumé
Background: The majority of patients with diabetic wounds living in Mae Chan District, Chiang Rai Province face challenges such as a shortage of nurses, limited access to health care, and insufficient resources. Strategies such as specialist networks, patient monitoring, and online care platforms are crucial to improving diabetic wound management in the community. Objective: This study aims to develop telenursing guidelines for caring for patients with diabetic wounds and foot ulcers, and to investigate the effects of telenursing on wound healing among patients. Methods: Participatory action research was conducted in three cycles: (1) assessing the current situation and feasibility of telenursing; (2) evaluating telenursing guidelines for wound healing; and (3) examining the effects of telenursing on wound healing, amputation rates, and patient satisfaction. Results: The mean diabetic wound severity scores decreased after receiving telenursing care at weeks 2, 4, 6, and 8 (P<.001). No patients were found to have foot or leg amputations. The patients in the group who received telenursing care showed that their wounds healed in an average of 8.6 (SD 4.3) weeks. The satisfaction score for telenursing care was 4.7 out of 5 (SD 0.2). Conclusions: Telenursing guidelines were developed to enhance access to wound care, reduce amputation rates, and promote wound healing, resulting in a significant reduction in wound severity and the absence of amputations. The study further demonstrated that telenursing not only expedited healing times but also reduced health care costs and improved patient satisfaction.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».