¿Cómo mejorar la hidratación y la ingesta hídrica en las personas mayores institucionalizadas? Una revisión de la literatura científica
Notice bibliographique
Résumé
BACKGROUND: residents are vulnerable to suffer of dehydration due to physiological changes and the physical and cognitive limitations. AIM: to handle this situation, it has been decided to evaluate the interventions which are carried out for the management of dehydration and low fluid intake in older people living in nursing homes. METHODS: the revised scientific literature review methodology of PRISMA was applied. An electronic database search was performed in PubMed, Scopus, CINAHL and other sources databases. The literature search was carried out between October 2016 and January 2017. Out of a total of 3,379 articles extracted, eleven studies were selected for analysis. In addition, their quality was assessed through Cochrane and the Newcastle-Ottawa Scale. RESULTS: the risk of bias in the studies was mostly medium. Regarding the results, the interventions were classified according to whether they were invasive or non-invasive. Invasive interventions were intravenous and/or subcutaneous fluid therapy. Their effectiveness was related to the clinical improvement of dehydration. However, local reactions appeared. Non-invasive interventions focused on the individualized assistance, the stimulation to drink more and the consideration of the preferences of each resident, producing an increase in fluid intake and an improvement in analytical parameters. CONCLUSIONS: given the peculiarities of the institutionalized elderly population, both types of intervention have been shown to have a positive effect on improving hydration. Nonetheless, non-invasive interventions have confirmed to be more efficient given their simplicity of application and cause fewer adverse effects.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».