老年人营养护理护士的态度、知识、自我效能和行为 (NUTRICARE)

背景和理由

老年人营养不良仍然是一个未解决的问题，门诊患者中的 3.1% 到康复/亚急性环境中的 29.4%。 迄今为止，经验证据表明，老年人营养不良会导致更高的残疾风险和丧失自主权，并增加发病率和死亡率。 出于这个原因，预防营养不良应该是卫生专业人员在护理和治疗老年患者时的优先事项，而护士在预防老年人营养不良方面处于战略地位，因为他们是唯一照顾患者的卫生专业人员 24/ 24 和 7/7。 然而，多项研究报告称，临床环境中的营养护理质量通常低于标准，强调从护士的角度来看，营养护理的主要障碍是：营养护理的孤独感、营养护理能力的需求护理、餐饮服务实践灵活性低、营养护理系统失灵和忽视营养护理。

在这方面，可以假设几个支撑护理营养能力的关键因素，这些因素可能影响营养护理提供的质量，例如知识、态度和自我效能。 事实上，许多作者都描述了缺乏对良好营养护理关键要素的了解是提供高质量护理的基础，这导致他们低估了其不足的后果。 文献解释说，缺乏对营养不良重要概念的了解可能会导致低估这一现象，并导致无法预防营养不良发作的行为。 因此，衡量卫生专业人员在这些问题上的知识水平以实施有针对性的培训至关重要，尽管最近的文献报道这方面有所改善。 另一个可能影响护理质量的因素是护士对营养护理的态度。 事实上，以前的证据表明，对营养不良患者进行适当筛查并与多学科团队一起实施纠正策略是护理能力的重要方面。 不幸的是，文献报道护士通常对营养护理持消极态度，因为他们通常将营养护理视为次要责任。 这些消极态度可能导致低估营养不良，而营养不良可能仍未被发现，从而增加了老年人出现与健康相关的负面结果的风险。

最后，自我效能，定义为人们对自己成功完成复杂任务的能力的信念，可以被视为护理工作绩效的代表，护士对其的感知水平可能会影响营养护理的质量。 事实上，根据 Bandura 的说法，自我效能是绩效的预测指标，可以通过适当的教育和激励干预来修改，在知识水平和行动态度之间进行调解。 在这方面，Dellafiore 等人。为护士开发了一个评估老年人营养护理的自我效能感量表，从而可以衡量护士在营养护理方面的自我效能感（作为营养护理护理能力的代理评估），并因此通过以下方式评估其改进情况具体的干预措施。

数据收集和样本量

收集的数据将被发送到电子数据收集器，其输出将在 REDCap 中保存为 eCRF 文件。 数据收集的开始和结束时间分别定于 2022 年 6 月和 2023 年 6 月。

迄今为止，已知营养护理知识和态度之间的相关性为中度正相关（r = 0.410；p<0.001），而知识、态度与自我效能和行为之间的相关性主要未被描述。 根据我们的假设，知识和态度与自我效能感和行为可能显示出适度的正相关关系。 因此，研究人员假设最弱的相关性（在假定模型中的总共六个相关性中）可能约为 r = 0.25。 根据 Hulley 等人的说法。 (2013)，确定相关系数是否不同于零所需的总样本量必须满足以下标准：N = [(Zα+Zβ)/C]2 +3；其中 N 是样本量，α = 0.05/6 (0.0083) 考虑执行六个假设检验的 Bonferroni 校正，因此 Zα = 2.40，β = 10%，然后 Zβ = 1.28， C = 0.5 * ln[(1 + r)/(1 - r)] = 0.5*ln[(1 + 0.25)/(1 - 0.25)] = 0.5 * ln[1.67] = 0.5 * 0.51 = 0.26。 因此，[(2.40+1.28)/0.26]2 +3 = 203。 因此，应招募 203 名护士以确定相关系数是否不为零。

数据收集将通过网络调查以自我报告的格式使用以下问卷进行：

• 社会人口变量，例如性别（男、女）、年龄（岁）和婚姻状况（已婚、未婚、其他）
• 专业特征是：研究生教育（是，否），临床环境（慢性护理环境，急性护理环境），工作经验（年），老年人营养护理（常规护理，不经常护理）
• 员工对营养护理的态度老年量表（SANN-G 量表）
• 营养不良知识 - 老年病学 (KoM-G)
• 护理营养护理自我效能表 (SE-NNC)

统计分析

将使用频率分布检查所有数据，以评估可能的缺失、错误或异常值。 描述性统计将用于描述样本特征，其中分类数据将呈现为频率，连续数据将呈现为正态分布变量的平均值±标准差（M±SD）以及中位数和四分位距（25° -75° 百分位数）用于非正态分布的连续数据。 偏度研究将用于初步评估变量的正态分布，然后进行 Kolmogorov-Smirnov 检验。 缺失的数据将使用成对方法进行管理。 样本特征将在组间和组内进行比较，并在单变量分析中对二分变量使用 Pearson 的 χ2 检验，或对参数值使用学生 t 检验（或在适当时使用单向方差分析）。

对于初步目标，将使用 Bartlett 检验来评估相关矩阵的分解能力，并在运行探索性因素分析 (EFA) 之前执行 Kaiser-Mayer-Olkin (KMO) 指数。 EFA 将在非正态分布项目的情况下使用稳健的最大似然参数估计 (MLR) 或在正态分布的项目的情况下使用稳健的最大似然 (ML) 来执行。 geomin 倾斜旋转将用于促进解释潜在因素和观察到的变量之间的关系。 要提取的因素数量的选择将通过分析特征值、碎石测试、潜在因素与观察变量之间关系的解释以及项目生成阶段概念化的理论领域来指导。

结构方程模型将根据假定的假设运行以研究主要目标。 将考虑以下拟合指数的解释来评估模型：Satorra-Bentler χ2；比较适合指数 (CFI)（值 >0.90 表示可接受的适合度）；近似的均方根误差 (RMSEA)（值 <0.06 表示可接受的拟合）；加权均方根残差（WRMR；值 1.0 表示可接受的拟合）。

所有数据将使用社会科学统计软件包第 22 版（SPSS，芝加哥，伊利诺伊州，美国）和 MPLus 8.1 进行分析，显着性水平将设置为 0.05 和双尾。

预期成绩

本研究将为首先了解和确定护士在老年人营养护理中的态度、知识、自我效能和行为之间的关系提供有用的信息。 到目前为止，这个话题还没有得到充分研究，这项研究将提供有用的信息来回答知识空白。

数据管理

通过网络调查匿名收集的所有数据将根据现行立法（欧洲法规 2016/679、立法法令 101/2018）和 GCP 进行处理，并尊重参与对象的隐私。 每位患者完成问卷后，数据将自动输入在线活页夹中。 收集阶段完成后，活页夹将被外推到 Excel 工作表中以供分析之用。 Excel 输出也将存入 REDCap。

道德考量

在编制网络调查之前，将在同一页面上在线获得知情同意。 这项研究可以被描述为匿名的，因为不可能根据获得的数据将任何特定样本与某个人联系起来。 根据现行立法（欧洲法规 2016/679，立法法令 101/2018），无需为此类研究单独获得书面知情许可，因为这样研究的机密性将不复存在。 另一方面，人们认为，在受试者完成在线问卷之前，应优先通过清晰易懂的演示网页来适当地告知受试者，该网页解释了调查的目的。