Licensed Caregiver Characteristics and Staffing in California Acute Care Hospital Units
Notice bibliographique
Résumé
PURPOSE: Concerns about declining quality of care and nurse staffing shortages led to legislation mandating minimum nurse-to-patient ratios in the state of California. Although research finds that better registered nurse (RN) staffing results in higher quality of care, little evidence exists on which to base specific nurse-patient ratios. The authors describe the results of a California survey characterizing licensed caregivers, identifying staffing levels by unit type, and describing how staffing levels vary across hospital types. METHODS: A stratified random sample of general acute care hospitals was surveyed to collect cross-sectional data on hospitals' nursing workforce and staffing practices and to assess the impact of potential patient-to-nurse staffing ratios. All academic medical centers; rural, private, and city/county hospitals; and hospitals affiliated with a large group-model health maintenance organization (HMO) were eligible for inclusion. RESULTS: Eighty hospitals were surveyed, representing all major metropolitan areas in the state. Acute care hospitals in California have diverse nursing staffs with variations in education, experience, and employment status. Considerable variations in skill mix were identified, with the proportion of RNs ranging from 30% to 84%, depending on the unit type surveyed. CONCLUSIONS: As states struggle with an anticipated critical shortage of RNs, these results have several implications for health and education policy. Future studies of this type will be needed to evaluate the impact of anticipated changes in the regulation of nurse staffing.
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 | 0,000 |
| 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 ».