Falls in an acute care hospital as reported in the adverse event management system
Notice bibliographique
Résumé
Background: The increasing number of falls in hospitals precipitates the need to collect and analyze falls data. Hospital falls data have been captured through staff documentation and incident reporting systems. Objective: The purpose of this study was to identify the variables associated with falls and injurious falls in an acute care hospital over the five years from the implementation of the Adverse Event Management System (AEMS). A secondary purpose was to identify problems associated with the AEMS.Methods: Falls data recorded in the AEMS system from February 2009 to February 2014 were analyzed to observe trends of falls and contributing factors occurring in various hospital units.Results: A total of 7,721 falls occurred during the study period. The highest frequency of the falls (901) occurred between 10:00 a.m. and 12:00 p.m. There were 2,275 falls which resulted in an injury. Both total fall and injurious fall rates were highest in Medicine inpatient units and lowest in Ambulatory outpatient units. The falls rate was 4.5 falls per 1,000 patient days in 2009 and 4.4 falls per 1,000 patient days in 2014. The prevalence of falls varied among nursing unit types and the time of day but the fall rate across the hospital did not change over the five year period.Conclusions: Continuous evaluation of falls data and improved staff education is recommended to help reduce falls in acute care hospitals. A province-wide database registry should be considered for future research on incident reporting.
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 | 0,001 | 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 | 0,000 |
| 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 ».