Aggressive Behaviour Risk Assessment Tool for newly admitted residents of long‐term care homes
Notice bibliographique
Résumé
AIM: The aim of this study was to revise the 10-item Aggressive Behaviour Risk Assessment Tool for predicting aggressive events among residents newly admitted to long-term care homes. BACKGROUND: The original tool had acceptable sensitivity and specificity for identifying potentially aggressive patients in acute care medical-surgical units, but its usefulness in long-term care homes is unknown. DESIGN: A retrospective cohort study design was used. METHODS: All residents admitted to 25 long-term care homes in western Canada were assessed for the risk of aggression using the original tool within 24 hours of admission from January 2014 - December 2014 (n = 724). Incident reports of aggressive events occurring within 30 days of admission were collected. Multiple logistic regression and receiver operating characteristics analyses were performed. RESULTS: Fifty-three residents of 724 exhibited aggressive behaviours. The demographic variable of age less than 85 years was found to be a positive predictor of aggressive events in multivariate logistic regression model and was added to the tool. The revised six-item Aggressive Behaviour Risk Assessment Tool for Long-Term Care consists of one new item, age less than 85 years and five items from the original tool: History of physical aggression, physically aggressive/threatening, anxiety, confusion/cognitive impairment and threatening to leave. The receiver operating characteristics of the revised tool with weighted scoring showed a good discriminant ability with satisfactory sensitivity and specificity at the recommended cut-off score of 4. CONCLUSION: The revised six-item tool may be useful in identifying potentially aggressive residents newly admitted to long-term care homes.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».