Factors and Costs Associated With the Use of Registered Nurse Overtime in the Neonatal Intensive Care Unit
Notice bibliographique
Résumé
Background: Planning the number of registered nurses (RN) per shift in the neonatal intensive care unit (NICU) is a constant stressor and overtime is often used to assure adequate nurse to patient ratios at high costs. Aim: To identify the factors associated with shift-to-shift variations in the use of RN overtime in the NICU and assess the economic impacts of reducing overtime. Methods: We developed a two-year retrospective study in a NICU (CHU de Qubec, Level 3 unit, capacity of 51 beds). Detailed administrative data for each shift of the day (night, day, evening) was collected. Non-modifiable organizational factors included patient volume, patient acuity, number of admissions, season, days of the week and work shift. The modifiable factors included the paid hours not at the bedside and the implementation of a bundle to reduce RN overtime (increase in full-time nurse positions and conversion of 10% of RN to regular 12hour shifts). Multivariate linear regression models were used to assess the association between organizational factors and RN overtime per shift. Results: A total of 2184 shifts were included. Mean RN overtime per shift was 9.510.4 h corresponding to 4.75.2% of total hours worked per shift. RN overtime use was influenced by non-modifiable factors including unit occupancy, season and the number of acute patients. Paid hours not at the bedside were associated with overtime. Also, the implementation of a bundle to reduce RN overtime brought the mean RN overtime from 11.711.2 h to 6.58.5 h (p<0.001). This was associated with a reduction in nursing costs per patient day [38610 $ vs. 3817 $ (p<0.001)]. That corresponded to a yearly 102,948$ cost reduction. Conclusion: Reducing RN overtime in the NICU is associated with cost reduction.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 ».