Effects of Individual Nurse and Hospital Characteristics on Patient Adverse Events and Quality of Care: A Multilevel Analysis
Notice bibliographique
Résumé
PURPOSE: This study aimed to investigate effects of individual nurse and hospital characteristics on patient adverse events and quality of care using a multilevel approach. DESIGN: This is a secondary analysis of a combination of nurse survey data (N = 1,053 nurses) and facility data (N = 63 hospitals) in Canada. METHODS: Multilevel ordinal logistic regression was employed to examine effects of individual nurse and hospital characteristics on patient adverse events. Multilevel linear regressions were used to investigate effects of individual nurse and hospital characteristics on quality of care. FINDINGS: Organizational safety culture was associated with patient adverse events and quality of care. Controlling for effects of nurse and hospital characteristics, nurses in hospitals with a stronger safety culture were 64% less likely to report administration of wrong medication, time, or dose; 58% less likely to report patient falls with injury; and 60% less likely to report urinary tract infections; and were more likely to report higher levels of quality of care. Additionally, the effects of individual-level baccalaureate education and years of experience on quality of care differed across hospitals, and hospital-level nurse education interacted with individual-level baccalaureate education. CONCLUSIONS: This study makes significant contributions to existing knowledge regarding the positive effect of organizational safety culture on patient adverse events and quality of care. CLINICAL RELEVANCE: Healthcare organizations should strive to improve their safety culture by creating environments where healthcare providers trust each other, work collaboratively, and share accountability for patient safety and care quality.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».