Analyse d'implantation de l'approche de récupération améliorée après chirurgie (RAAC) selon une perspective infirmière : étude qualitative
Bibliographic record
Abstract
L’approche de récupération améliorée après chirurgie (RAAC) vise à diminuer les complications postopératoires et la durée moyenne de séjour des patients, optimisant ainsi leur retour à domicile pour éviter les réadmissions. À la vue de ses résultats cliniques avérés, de nombreux établissements de santé dans le monde et au Québec ont adopté ce changement novateur dans la prise en charge de leurs patients. L'étude se concentre sur l’implantation de l’approche RAAC au Centre Hospitalier Universitaire de Sherbrooke (CHUS) en Estrie. L’objectif est d’analyser les facteurs influençant l’implantation de l’approche RAAC ainsi que les facteurs influençant la contribution des infirmières gestionnaires à cette implantation. Basée sur le cadre théorique de Chaudoir et al. (2013), cette étude utilise un devis qualitatif descriptif. Dix entretiens semi-dirigés ont été réalisés avec des infirmières gestionnaires impliquées dans l’implantation de la RAAC, suivi d'une analyse thématique mixte. Les résultats montrent que différents facteurs influencent l’implantation, telle que la priorité organisationnelle, la disponibilité des ressources humaines et financières, la collaboration interdisciplinaire et la pandémie de COVID-19. L’étude montre également que les infirmières gestionnaires jouent un rôle crucial dans la gestion des ressources humaines, la gestion du changement, la collaboration interprofessionnelle, et le développement de la pratique professionnelle. Les résultats guideront les organisations de santé au Québec dans l’identification de stratégies permettant l’exercice optimal du rôle infirmier pour une meilleure implantation de cette approche.
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 | 0.035 | 0.053 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".