Physical restraint use among nursing home residents: A comparison of two data collection methods
Notice bibliographique
Résumé
BACKGROUND: In view of the issues surrounding physical restraint use, it is important to have a method of measurement as valid and reliable as possible. We determined the sensitivity and specificity of physical restraint use a) reported by nursing staff and b) reviewed from medical and nursing records in nursing home settings, by comparing these methods with direct observation. METHODS: We sampled eight care units in skilled nursing homes, seven care units in nursing homes and one long-term care unit in a hospital, from eight facilities which included 28 nurses and 377 residents. Physical restraint use was assessed the day following three periods of direct observation by two different means: interview with one or several members of the regular nursing staff, and review of medical and nursing records. Sensitivity and specificity values were calculated according to 2-by-2 contingency tables. Differences between the methods were assessed using the phi coefficient. Other information collected included: demographic characteristics, disruptive behaviors, body alignment problems, cognitive and functional skills. RESULTS: Compared to direct observation (gold standard), reported restraint use by nursing staff yielded a sensitivity of 87.4% at a specificity of 93.7% (phi = 0.84). When data was reviewed from subjects' medical and nursing records, sensitivity was reduced to 74.8%, and specificity to 86.3% (phi = 0.54). Justifications for restraint use including risk for falls, agitation, body alignment problems and aggressiveness were associated with the use of physical restraints. CONCLUSIONS: The interview of nursing staff and the review of medical and nursing records are both valid and reliable techniques for measuring physical restraint use among nursing home residents. Higher sensitivity and specificity values were achieved when nursing staff was interviewed as compared to reviewing medical records. This study suggests that the interview of nursing staff is a more reliable method of data collection.
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 | 0,098 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 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 ».