Implementation of an Electronic Data Collection Tool to Monitor Nursing-Sensitive Indicators in a Large Academic Health Sciences Centre.
Notice bibliographique
Résumé
BACKGROUND: Monitoring the quality of nursing care is essential to identify patients at risk, measure adherence to hospital policies and evaluate the effectiveness of best practice interventions. However, monitoring nursing-sensitive indicators (NSI) is a challenge. Prevalence surveys are one method used by some organizations to monitor NSI, which are patient outcomes that are directly affected by the quantity or quality of nursing care that the patient receives. OBJECTIVE: The aim of this paper is to describe the development of an innovative electronic data collection tool to monitor NSI. METHODS: In the preliminary development work, we designed a mobile computing application with pre-populated patient census information to collect the nursing quality data. In subsequent phases, we refined this process by designing an electronic trigger using The Ottawa Hospital's Patient Safety Learning System, which automatically generated a case report form for each inpatient based on the hospital's daily patient census on the day of the prevalence survey. OBSERVATIONS: Both of these electronic data collection tools were accessible on tablet computers, which substantially reduced data collection, analysis and reporting time compared to previous paper-based methods. The electronic trigger provided improved completeness of the data. CONCLUSION: This work leveraged the use of tablet computers combined with a web-based application for patient data collection at point of care. Overall, the electronic methods improved data completeness and timeliness compared to traditional paper-based methods. This initiative has resulted in the ability to collect and report on NSI organization-wide to advance decision-making support and identify quality improvement opportunities within the organization.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».