A cost-benefit analysis of peer coaching for overhead lift use in the long-term care sector in Canada
Notice bibliographique
Résumé
OBJECTIVES: To evaluate whether a peer-coaching programme for patient lift use in British Columbia, Canada, was effective and cost-beneficial. METHODS: We used monthly panel data from 15 long-term care facilities from 2004 to 2011 to estimate the number of patient-handling injuries averted by the peer-coaching programme using a generalised estimating equation model. Facilities that had not yet introduced the programme served as concurrent controls. Accepted lost-time claim counts related to patient handling were the outcome of interest with a denominator of full-time equivalents of nursing staff. A cost-benefit approach was used to estimate the net monetary gains at the system level. RESULTS: The coaching programme was found to be associated with a reduction in the injury rate of 34% during the programme and 56% after the programme concluded with an estimated 62 lost-time injury claims averted. 2 other factors were associated with changes in injury rates: larger facilities had a lower injury rate, and the more care hours per bed the lower the injury rate. We calculated monetary benefits to the system of $748 431 and costs of $894 000 (both in 2006 Canadian dollars) with a benefit-to-cost ratio of 0.84. The benefit-to-cost ratio was -0.05 in the worst case scenario and 2.31 in the best case scenario. The largest cost item was peer coaches' time. A simulation of the programme continuing for 5 years with the same coaching intensity would result in a benefit-to-cost ratio of 0.63. CONCLUSIONS: A peer-coaching programme to increase effective use of overhead lifts prevented additional patient-handling injuries but added modest incremental cost to the system.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».