Modeling Hospital‐Acquired Pressure Ulcer Prevalence on Medical‐Surgical Units: Nurse Workload, Expertise, and Clinical Processes of Care
Notice bibliographique
Résumé
OBJECTIVE: This study modeled the predictive power of unit/patient characteristics, nurse workload, nurse expertise, and hospital-acquired pressure ulcer (HAPU) preventive clinical processes of care on unit-level prevalence of HAPUs. DATA SOURCES: Seven hundred and eighty-nine medical-surgical units (215 hospitals) in 2009. STUDY DESIGN: Using unit-level data, HAPUs were modeled with Poisson regression with zero-inflation (due to low prevalence of HAPUs) with significant covariates as predictors. DATA COLLECTION/EXTRACTION METHODS: Hospitals submitted data on NQF endorsed ongoing performance measures to CALNOC registry. PRINCIPAL FINDINGS: Fewer HAPUs were predicted by a combination of unit/patient characteristics (shorter length of stay, fewer patients at-risk, fewer male patients), RN workload (more hours of care, greater patient [bed] turnover), RN expertise (more years of experience, fewer contract staff hours), and processes of care (more risk assessment completed). CONCLUSIONS: Unit/patient characteristics were potent HAPU predictors yet generally are not modifiable. RN workload, nurse expertise, and processes of care (risk assessment/interventions) are significant predictors that can be addressed to reduce HAPU. Support strategies may be needed for units where experienced full-time nurses are not available for HAPU prevention. Further research is warranted to test these finding in the context of higher HAPU prevalence.
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 | 0,007 | 0,001 |
| 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».