Munuaisten vajaatoiminnan vaikutus potilaan elämään : Potilaiden henkinen tuki kotidialyysissä
Bibliographic record
Abstract
Vuonna 2017 munuaisten vajaatoimintaa sairasti Suomen väestöstä 5513 ihmistä, joista 27% käytti hoitokeinona kotidialyysia. Sairaalassa hoidoissa käyvillä on monta kertaa viikossa kontakti hoitohenkilökuntaan sekä muiden dialyysipotilaiden tuki, joten tutkimuksessa haluttiin selvittää kotidialyysipotilaiden tuen saantia. \n \nOpinnäytetyön tarkoituksena oli selvittää, miten munuaisten vajaatoiminta vaikuttaa potilaan elämään ja kuinka vastata kotidialyysipotilaiden tuen tarpeisiin aikaisempaa paremmin. Työn tavoitteena oli kehittää kotidialyysipotilaiden saamaa henkistä tukea antamalla terveysalan ammattilaisille konkreettista tietoa suoraan potilailta siitä, minkälaista tukea he kaipaavat. Tutkimuskysymykset ovat: Minkälaista henkistä tukea kotidialyysipotilaat kokevat tarvitsevansa? Ja miten munuaisten vajaatoiminta vaikuttaa potilaan elämään? \n \nAineisto kerättiin e-kyselylomakkeen avulla, jota jaettiin Munuais- ja maksaliiton sekä Uudenmaan munuais- ja maksayhdistyksen Facebook -sivuilla. Aineisto analysoitiin induktiivisella sisällönanalyysilla. \n \nTuloksista ilmeni, että noin puolet kyselyyn vastanneista kaipaavat aikaisempaa enemmän vertaistukea samassa tilanteessa olevilta sekä säännöllisempää yhteydenpitoa ammattilaisen kanssa. Suurimpina vaikutuksina elämään vastaajat mainitsevat ajankäytön haasteet, jotka esiintyvät vapaa-ajan ja harrastusten puutteena sekä sosiaalisen elämän ja matkustelun rajoittumisena. \n \nUseat vastaajat kertovat dialyysihoitojen olevan erittäin väsyttäviä ja vaikuttavan jaksamiseen negatiivisesti. Johtopäätöksenä voitiin todeta, että kotidialyysipotilaat tarvitsevat enemmän vertaistukea ja sitä tulisi olla helpommin saatavilla. Tuloksia olisi mahdollista hyödyntää esimerkiksi tulevaisuudessa harkittaessa uusien vertaistukiryhmien tarpeellisuutta Suomessa.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.027 | 0.006 |
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".