Pressure ulcer prevalence and perceptions on prevention: a hospital-wide survey of health professionals
Notice bibliographique
Résumé
OBJECTIVE: Hospital-acquired pressure ulcers (HAPUs) remain a problem despite numerous prevention initiatives. To understand why, it is necessary to know health professionals' perceptions regarding the importance of prevention, and the usability of current initiatives. We hypothesised that positive perceptions of existing initiatives would not be correlated with low HAPU prevalence, and that health professionals would perceive the initiatives to have a low usability. METHOD: A two-part, online survey was developed and distributed electronically to nurses, in-training physicians and attending physicians, across all inpatient and perioperative departments of an academic hospital. Part one of the survey was the Agency for Healthcare Research and Quality (AHRQ) Staff Attitude Scale on beliefs regarding PU prevention; part two was additional questions on the usability of existing preventative initiatives. The results of the survey were compared with quarterly HAPU prevalence data by hospital unit. RESULTS: In total, 839 health professionals completed the survey (579 nurses, 131 residents, 119 attending physicians). The mean score for the AHRQ survey was 42.5 (≥40 denoting positive perceptions). There was a moderate correlation between AHRQ scores and prevalence of HAPUs (r=-0.60, p=0.402). For usability, repositioning was felt to be the most effective intervention (mean: 4.54, standard deviation (SD): 0.64), while educational posters were felt to be the least effective (mean: 3.31, SD: 0.99). Respondents generally rated satisfaction much lower, with no single initiative significantly better than the others (range: 3.21-3.79). Perceived effectiveness and satisfaction were all positively correlated. CONCLUSION: High HAPU prevalence, despite position perceptions, suggests that prevention methods are not as effective as thought, or they are not being used as widely as they should. Further research should take advantage of positive attitudes by prospectively investigating the usability of novel interventions.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 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 ».