Safe Patient Handling of the Bariatric Patient: Sharing of Experiences and Practical Tips When Using Bariatric Algorithms
Notice bibliographique
Résumé
A large percentage of bariatric patients admitted into healthcare facilities will need assistance with patient handling activities such as bathing, hygiene care of skin and wounds, repositioning in bed, assisting out of bed, and toileting. For the dependent patient, the exertion, awkward postures, and spinal loads associated with providing this care put the patient and healthcare workers (HCWs) at risk for injury. Challenges are evident during the provision of care in meeting the staffing needs for increased time associated, number of workers required to assist, special skill knowledge required, and equipment availability. In order to provide for these challenges, care of the bariatric patient handling needs should be a component of existing patient handling programs. There has been significant work completed in this area by Dr. Audrey Nelson and the VISN 8 Patient Safety Center of Inquiry of Department of Veterans Affairs. They offer online tools and resources that include a Bariatric Tool Kit. Within this kit are algorithms that are guidelines for the maneuvers associated with patient handling. The algorithm often has more than one recommended choice, and the HCW needs to decide which of the provided choices would be most suited to the situation. The authors share their knowledge and experience using the algorithms and discuss recommended choices and techniques, including their rationale, based on their experiences. Additional practical tips are also included to assist HCWs in managing the difficult patient handling tasks.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».