Factors Influencing the Quality of Emergency Department Nurse Shift Handover
Notice bibliographique
Résumé
Nurse-to-nurse shift handover communication is an essential exchange of information that occurs at shift change with the purpose of ensuring that incoming nurses have necessary information to take responsibility for their patients and to provide high quality, safe care. Poor quality shift handover has been associated with adverse outcomes such as incorrect treatment, delays in diagnosis, increased length of stay, and both nurse and patient dissatisfaction. Despite an increase in the amount of handover related literature, little is known about factors that influence quality of nurse-to-nurse shift handover. \nThe Emergency Department (ED) environment presents unique challenges for high quality handover communication as a result of unpredictability, increased volumes and rapid patient turnover. The purpose of this study was to test and refine a conceptual model of 18 factors hypothesized to influence quality of nurse-to-nurse shift handover communication in the ED.\nThis study was conducted using a cross-sectional survey design. A total of 650 ED nurses across the Province of Ontario were invited to participate in this study. The survey included questions about demographic information as well as items and instruments to measure concepts such as staffing, triage, relationships, safety climate, interruptions, job stress, fatigue and handover format. The hypothesized conceptual model was tested using backwards stepwise multiple regression with data from a final sample of 227 participants. \nFollowing multiple regression analysis, four statistically significant predictors were retained in the final model. Together, triage flow, intrusions, safety climate and relationships explained 34% of the variance in handover quality (p
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) | 0,005 | 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 ».