Use of a falls incident reporting system to improve care process documentation in nursing homes
Notice bibliographique
Résumé
BACKGROUND: Falls are the most frequently reported adverse event among frail nursing home residents and are an important resident safety issue. Incident reporting systems have been successfully used to improve quality and safety in healthcare. The purpose of this study was to test the effect of a systematically guided menu-driven incident reporting system (MDIRS) on documentation of post-fall evaluation processes in nursing homes. METHODS: Six for-profit nursing homes in southeastern USA participated in the study. Over a 4-month period, MDIRS was used in three nursing homes matched with another three nursing homes which continued using their existing narrative incident report to document falls. Trained geriatric nurse practitioner auditors used a data collection audit tool to collect medical record documentation of the processes of care for residents who fell. Multivariate analysis of covariance was used to compare the post-fall nursing care processes documented in the medical records. RESULTS: 207 medical records of resident who fell were examined. Over 75% of the sample triggered at high risk for falls by the minimum data set. An adequate neurological assessment was documented for only 18.4% of residents who had experienced a fall. Although two-thirds of the sample had a diagnosis of incontinence, less than 20% of the records had incontinence-related interventions in the nursing care plan. Overall, there was more complete documentation of the post-fall evaluation process in the medical records in nursing homes using the MDIRS than in nursing homes using standard narrative incident reports (p<0.001). CONCLUSION: Further improvements are necessary in reporting mechanisms to improve the post-fall assessment in nursing home residents.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».