Pressure ulcers: implementation of evidence‐based nursing practice
Notice bibliographique
Résumé
AIMS: A 2-year project was carried out to evaluate the use of multi-component, computer-assisted strategies for implementing clinical practice guidelines. This paper describes the implementation of the project and lessons learned. The evaluation and outcomes of implementing clinical practice guidelines to prevent and treat pressure ulcers will be reported in a separate paper. BACKGROUND: The prevalence and incidence rates of pressure ulcers, coupled with the cost of treatment, constitute a substantial burden for our health care system. It is estimated that treating a pressure ulcer can increase nursing time up to 50%, and that treatment costs per ulcer can range from US$10,000 to $86,000, with median costs of $27,000. Although evidence-based guidelines for prevention and optimum treatment of pressure ulcers have been developed, there is little empirical evidence about the effectiveness of implementation strategies. METHOD: The study was conducted across the continuum of care (primary, secondary and tertiary) in a Canadian urban Health Region involving seven health care organizations (acute, home and extended care). Trained surveyors (Registered Nurses) determined the prevalence and incidence of pressure ulcers among patients in these organizations. The use of a computerized decision-support system assisted staff to select optimal, evidence-based care strategies, record information and analyse individual and aggregate data. RESULTS: Evaluation indicated an increase in knowledge relating to pressure ulcer prevention, treatment strategies, resources required, and the role of the interdisciplinary team. Lack of visible senior nurse leadership; time required to acquire computer skills and to implement new guidelines; and difficulties with the computer system were identified as barriers. CONCLUSIONS: There is a need for a comprehensive, supported and sustained approach to implementation of evidence-based practice for pressure ulcer prevention and treatment, greater understanding of organization-specific barriers, and mechanisms for addressing the barriers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».