Hvordan kan sykepleier ved bruk av ESAS bidra til bedre symptomlindring hos palliative pasienter?
Bibliographic record
Abstract
Tittel:\tHvordan kan sykepleier ved bruk av ESAS bidra til bedre symptomlindring hos palliative pasienter? \tDato:\t16. 05.19\n\t\t\t\nDeltaker(e)/\tEli Paulseth \n\tMina Marie Strande \n\t\nVeileder(e):\tKirsten Nordang \n\t\t\nStikkord/nøkkelord\t\nESAS, symptomlindring, palliasjon\n(3-5 stk)\t\nAntall sider/ord:45/9507\tAntall vedlegg:1\t\nKort beskrivelse av master/bacheloroppgaven:\nIntroduksjon: For å sikre god og kontinuerlig symptomlindring hos palliative pasienter, er det innført et standardisert kartleggingsverktøy, Edmonton Symptom Assessment System (ESAS). ESAS er ment til bruk av symptomkartlegging hos palliative pasienter. \n\nHensikt: Hensikten med litteraturstudien er å belyse hvorfor ESAS er et viktig kartleggingsverktøy for å gi bedre symptomlindring hos palliative pasienter. Litteraturstudien ses i et sykepleieperspektiv. \n\nMetode: Oppgaven er en litteraturstudie. Strukturerte søk har resultert i seks sykepleierelevante forskningsartikler. Disse er blitt analysert kritisk. \n\nResultat: Litteraturstudien har funnet forskjellige faktorer som påvirker ESAS evne til symptomlindring hos palliative pasienter. Det ble i studien avdekket både fordeler og ulemper ved ESAS som kartleggingsverktøy. Disse fordelene og ulempene går ut på systematisk registrering, sykepleiers kompetanse, både pasient og sykepleiers motivasjon og implementeringsutfordringer.\n\nKonklusjon: ESAS som kartleggingsverktøy kan bidra til bedre symptomlindring. Sykepleiers kompetanse og erfaring er en viktig faktor. Sett fra et sykepleieperspektiv er det hovedsakelig lindring av symptomer og smerte hos pasienten som er hovedmålet i palliativ pleie. Systematisk kartlegging gir kontinuitet og bedre oppfølging av hver enkelt pasient. Sykepleiers kompetanse og erfaring er sammen med ESAS en forutsetning for god symptomlindring. Pasientens motivasjon og evne til å utføre ESAS henger sammen med sykepleiers motivasjon til å bruke skjema og gi god opplæring. Implementeringsutfordringer henger sammen med ledelsens deltakelse. Studien avdekket noen svakheter med ESAS som kan ligge til grunn for utbedring av innholdet i skjemaet. Dette er avgjørende for bedre symptomlindring til palliative pasienter ved bruk av ESAS.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.493 | 0.245 |
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".