Healthy Skin Wins: A Glowing Pressure Ulcer Prevention Program That Can Guide Evidence‐Based Practice
Notice bibliographique
Résumé
BACKGROUND: In 2013, an observational survey was conducted among 242 in-patients in a community hospital with a pressure ulcer (PU) prevalence of 34.3%. An evidence-based pressure ulcer prevention program (PUPP) was then implemented including a staff awareness campaign entitled "Healthy Skin Wins" with an online tutorial about PU prevention. AIMS: To determine the effectiveness of the PUPP in reducing the prevalence of PUs, to determine the effectiveness of the online tutorial in increasing hospital staff's knowledge level about PU prevention, and to explore frontline staff's perspectives of the PUPP. METHODS: This was a mixed methods study. A repeat observational survey discerned if the PUPP reduced PU prevalence. A pre-test post-test design was used to determine whether hospital staff's knowledge of PU prevention was enhanced by the online tutorial. Qualitative interviews were conducted with nurses, allied health professionals, and health care aides to explore staff's perspectives of the PUPP. RESULTS: A comparison of initial and repeat observational surveys (n = 239) identified a statistically significant reduction in the prevalence of PU to 7.53% (p < .001). The online tutorial enhanced staff knowledge level with a statistically significantly higher mean post-test score (n = 80). Thirty-five frontline staff shared their perspectives of the PUPP with "it's definitely a combination of everything" and "there's a disconnect between what's needed and what's available" as the main themes. CONCLUSIONS: Incorporating evidence-based PU prevention into clinical practice greatly reduced the prevalence of PUs among hospital in-patients. Due to the small sample size for the pre-test post-test component, the effectiveness of the online tutorial in improving the knowledge level of PU prevention among hospital staff requires further research. LINKING EVIDENCE TO ACTION: Evidence-based PU prevention strategies are facilitated by using a multidisciplinary approach. Educational tools about PU prevention must target all members of the healthcare team including healthcare aides, patients and families.
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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».