Distriktssköterskors upplevelser och erfarenheter av patientundervisning till personer med diabetes – utifrån ett personcentrerat förhållningssätt : En kvalitativ studie

Syfte: Syftet med studien var att beskriva distriktssköterskors upplevelser och erfarenheter av patientundervisning till patienter med diabetes samt att identifiera aspekter som kan relateras till ett personcentrerat förhållningssätt. Metod: Deskriptiv design med kvalitativ ansats med semistrukturerade intervjuer användes vid datainsamlingen. Vid urvalet användes strategiskt urval. Nio intervjuer utfördes med distriktssköterskor på sex olika vårdcentraler i Mellansverige. Vid analysen användes kvalitativ innehållsanalys. Resultat: Distriktssköterskorna önskade mer kunskap om invandrares kost- och motionsvanor. Distriktssköterskorna uttryckte att det var roligt och spännande med patientundervisning och att det var viktigt att de var engagerade. Distriktssköterskorna ville arbeta mer i team och de upplevde att de hade för lite tid avsatt för patientundervisning. De ansåg att de arbetade personcentrerat men det var svårare att arbeta personcentrerat vid gruppundervisning än vid enskild undervisning. Slutsats: Distriktssköterskor bör ha god kunskap om kulturella skillnader hos patienter med diabetes. Distriktssköterskorna upplever brist på tid- och resurser och önskar samarbeta mera i team. Det är viktigt med ett personcentrerat förhållningssätt där distriktssköterskorna utgår från den enskilda individen. En distriktssköterska som är engagerad och trivs med sitt arbete kan lättare klara av det ökade trycket och arbetsbelastningen.

Machine Learning Algorithms in Heavy Process Manufacturing

In a global economy, manufacturers mainly compete with cost efficiency of production, as the price of raw materials are similar worldwide. Heavy industry has two big issues to deal with. On the one hand there is lots of data which needs to be analyzed in an effective manner, and on the other hand making big improvements via investments in cooperate structure or new machinery is neither economically nor physically viable. Machine learning offers a promising way for manufacturers to address both these problems as they are in an excellent position to employ learning techniques with their massive resource of historical production data. However, choosing modelling a strategy in this setting is far from trivial and this is the objective of this article. The article investigates characteristics of the most popular classifiers used in industry today. Support Vector Machines, Multilayer Perceptron, Decision Trees, Random Forests, and the meta-algorithms Bagging and Boosting are mainly investigated in this work. Lessons from real-world implementations of these learners are also provided together with future directions when different learners are expected to perform well. The importance of feature selection and relevant selection methods in an industrial setting are further investigated. Performance metrics have also been discussed for the sake of completion.