1500Predictors of Hand Hygiene in the Emergency Department (ED): Impact of ED Crowding
Notice bibliographique
Résumé
Background. Hand hygiene (HH) is not well studied in the emergency department (ED). In other settings, increased workload is associated with reduced compliance. We tested this hypothesis in the ED. Methods. ED HH compliance was tracked at our facility by direct observation from January 2011 to October 2013. Daily ED patient volumes, staffing levels and mean time to MD assessment (TMDA) were used as measures of ED crowding. Predictors associated with compliance in univariate analysis (p < 0.2) were included in a multivariate logistic regression model. Results. Average compliance was 29% (325/1116): 10% before aseptic procedures, 22% before patient/environmental contact, 26% after body fluid exposure and 37% after patient/environmental contact. Alcohol-based sanitizer was used 66% (215/325) of the time. Nurse staffing levels and patient volumes were not associated with compliance but TMDA was. Compliance was 38% for TMDA in the first quartile and 25% for TMDA in the fourth quartile (figure). Predictors of reduced compliance that remained significant (p < 0.05) in the multivariate model included: longer TMDA; HH prior to patient/environmental contact or aseptic procedures (vs HH after contact); and professional designation of ‘housekeeping' or ‘other' (vs nursing). Conclusion. HH compliance in the ED was low. Soap/water are still used for 33% of HH. Increased TMDA and indication for HH were the strongest predictors of compliance. The drop in compliance seen with increasing TMDA indicates that ED crowding contributes to poor ED HH. Strategies to reduce the time required for HH in the ED (including optimal placement of dispensers or use of personal dispensers) and improve workflow practices are logical targets for improvement. Disclosures. All authors: No reported disclosures.
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 | 0,000 | 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) | 0,001 | 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 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 ».