The use of the Morse Fall Scale in an acute care hospital
Notice bibliographique
Résumé
Background: Patient falls in hospitals account for a high proportion of adverse events. Assessing patient risk is a vital part of a fall prevention program. When a fall risk assessment tool is used, it is imperative to use one which is suitable for the hospital. Objective: The purpose of this study was to test the predictive validity of the Morse Fall Scale (MFS) by assessing the sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV) on medicine units in an acute care hospital. Methods: Patient MFS scores were obtained from the medicine units. A total of 500 patient scores were collected along with a number of falls which occurred within 7 days of the fall risk assessment. Data were collected from November 2014 to March 2015. The setting was a large teaching hospital located in Ontario, Canada. Results: Using a cut-off point of 25 on the MFS, the sensitivity was 98% and the specificity was 8%. The PPV was 10% and the NPV was 97%. An MFS cut-off point of 55 provided the most balanced measure of sensitivity (87%) and specificity (34%) for accurate identification of fall risk. Conclusions: Findings suggest a change in practice is warranted as the values showed a poor balance between the sensitivity and specificity range. Recommendations for changes in practice include: changing the screening tool cut-off point from 25 to 55, or removing the use of a screening tool and assessing the risk by using another method.
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 | 0,002 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».