Sairaanhoitajien näkökulmia savuttomuuden tukemiseen ennen elektiivistä leikkausta
Bibliographic record
Abstract
Tupakointi on yksilön terveyttä vakavasti vaarantava riskitekijä ja kansantaloudelle merkittäviä kustannuksia kerryttävä ongelma. Leikkausta edeltävä tupakointi altistaa potilaan lukuisille leikkauskomplikaatioille ja hidastaa toipumista. Suomessa leikkaukseen jonotti vuonna 2014 arviolta yli 40 000 tupakoitsijaa. \n \nPotilaalle suunnitteilla oleva leikkaus on todettu erittäin merkittäväksi tupakoinnin lopettamisen motivaatiotekijäksi. Tupakasta vieroittautumisen onnistumisen todennäköisyys voi jopa kaksinkertaistua leikkauksen yhteydessä. Tupakoinnin lopettaminen ennen elektiivistä leikkausta parantaa potilaan ennustetta 30–40 prosenttia tupakointia jatkaviin verrattuna. \n \nTämän opinnäytetyön tarkoituksena oli kartoittaa, miten erikoissairaanhoidon sairaanhoitajat toimivat, jotta potilas saataisiin vieroittautumaan tupakasta, kun hänelle on suunnitteilla elektiivinen leikkaus tai pientoimenpide. Pyrimme selvittämään, millaisia eri menetelmiä potilaan tupakointiin puuttumiseen on käytössä. Yhteistyökumppanina opinnäytetyössä oli Suomen Syöpäyhdistys. Tavoitteena oli tuottaa Suomen Syöpäyhdistyksen käyttöön ajantasaista tietoa siitä, miten tupakkavieroitustyö tänä päivänä toteutuu erikoissairaanhoidossa. \n \nOpinnäytetyön teoreettisena viitekehyksenä on katsaus ajankohtaiseen tupakointia ja sen vaikutuksia, yksilön motivaatiota sekä terveydenhuollon tupakkavieroitustyötä käsittelevään tieteelliseen kirjallisuuteen. Tutkimuksen empiirinen osuus toteutettiin laadullisen tutkimusotteen mukaisina teemahaastatteluina. Haastattelut toteutettiin Helsingin ja Uudenmaan sairaanhoitopiirin (HUS) sairaaloissa savuttomuushoitajien luona. Kerätty haastatteluaineisto litteroitiin, minkä jälkeen vastaukset tiivistettiin ja teemoiteltiin. \n \nTutkimuksen tulokset viittaavat siihen, että potilaan savuttomuuden tukeminen ei ole saavuttanut vakiintunutta asemaa erikoissairaanhoidossa. Tilanteen selvittämiseen yleisellä tasolla tarvittaisiin kuitenkin lisätutkimusta. Opinnäytetyön tuloksia voidaan hyödyntää kehitettäessä potilaan tupakoinnin huomioivaa hoitotyötä erikoissairaanhoidossa.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.008 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.174 | 0.054 |
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".