Patient and nurse staffing characteristics associated with high sitter use costs
Notice bibliographique
Résumé
AIM: This paper is a report of a study of the relationships between patient health conditions, nurse staffing characteristics and high sitter use costs. BACKGROUND: Increasing recourse to patient sitters is a major cost concern to hospitals. To reduce these expenses, we need to understand better the factors associated with high sitter use costs. METHODS: From a cohort of 43,212 medical/surgical patients admitted to an academic health centre in Montreal (Canada) in 2007 and 2008, all 1151 patients who received a sitter were selected. We applied multivariate logistic regression, using the Generalized Estimating Equation framework, to estimate the relationships between patient health conditions, nurse staffing characteristics and being in the upper two quintiles of sitter costs, vs. the lower three. RESULTS: The median sitter cost per patient, in Canadian dollars, was $772·35 (IQR = $1737·84); and $2397·00 (IQR = $3085·03) among the patients with high sitter use costs. In multivariate analyses, dementia, delirium and other cognitive impairments (OR = 1·49; 95% CI = 1·01-2·22) and schizophrenia and other psychoses (OR = 2·42; 95% CI = 1·08-5·76) increased the likelihood of high sitter use costs. In addition, every additional worked hour per patient per day by Registered Nurses (OR =0·33; 95% CI = 0·27-0·39) and by patient care assistants (OR = 0·11; 95% CI = 0·08-0·15) reduced the likelihood of high sitter use costs. Conclusion. Circumstances of understaffing and patients having psycho-geriatric conditions are associated with high sitter use costs. Improving staffing and providing additional resources to support the care of psycho-geriatric patients may lower these expenses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».