Nurse staffing, patient turnover and safety climate and their association with in-patient falls and injurious falls on medical acute care units: a cross-sectional study
Notice bibliographique
Résumé
Objective: Falls and related injuries remain a considerable health risk for in-patients. Numerous studies link falls with nurse staffing levels, but the results are inconsistent. The purpose of this study was to explore the associations between fall prevalence and injurious falls on medical wards and three unit-level system factors: daily nurse staffing, patient turnover, and safety climate.Methods: Using a cross-sectional design, we conducted a secondary data analysis of data from the Patient Safety and Falls Project. Five medical units in a Swiss university hospital were included, resulting in a data set of 949 days, with daily measures of nurse staffing, patient turnover and falls. The safety climate was measured using a subscale of the Safety Attitudes Questionnaire and analyzed at the unit level including data from 154 nurses. Robust multivariate logistic regression was used to explore nurse staffing, patient turnover, and safety climate’s associations with in-patient falls and fall injuries.Results: After controlling for patient age, length of stay and nursing fulltime equivalents, registered nurse experience showed a significant negative relationship with falls (OR = .83, p < .0001). Patient turnover and safety climate were not significantly associated to falls or fall injuries.Conclusions: By linking nurse staffing variables to in-patient falls and fall injuries, the current study’s findings partly confirm those of previous research. Further investigation will be necessary to isolate key factors influencing the association at the unit level between safety climate and in-patient falls.
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 | 0,001 |
| 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 ».