Facteurs influençant la décision de l’infirmière de régler et moduler les paramètres d’alarmes des instruments de monitorage aux soins intensifs : une revue intégrative de la littérature
Bibliographic record
Abstract
Introduction : dans les unités de soins critiques, un réglage inadéquat des paramètres d’alarme des systèmes de monitorage de chevet favorise des alarmes nombreuses et peut mener à l’insensibilisation de l’infirmière. Objectif : réaliser une revue intégrative de la littérature afin d’identifier les facteurs qui influencent l’infirmière dans sa décision de régler et moduler les paramètres d’alarmes des systèmes de monitorage de chevet aux soins intensifs. Méthode : une revue intégrative de la littérature selon les cinq étapes de la méthode de Whittemore et Knafl a été réalisée à partir des écrits en lien avec le domaine des soins critiques. Résultats : les facteurs liés à la décision de l’infirmière de régler ou de moduler les paramètres d’alarme des systèmes de monitorage sont répartis en deux thèmes : les facteurs personnels et les facteurs contextuels. Discussion : certains facteurs identifiés dans le cadre de cette revue intégrative ont également été présentés comme étant des éléments qui contribuent au déploiement du processus de surveillance clinique d’infirmières expertes dans un contexte de soins critiques. Conclusion : les résultats de cette étude permettent de conclure à la nécessité de s’intéresser empiriquement aux facteurs qui influencent l’infirmière dans sa décision de régler et de moduler les paramètres d’alarmes des systèmes de monitorage aux soins intensifs.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.042 | 0.113 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.004 |
| Bibliometrics | 0.008 | 0.007 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.011 | 0.009 |
| Open science | 0.003 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".