Nurse-staffing level and quality of acute care services: Evidence from cross-national panel data analysis in OECD countries
Notice bibliographique
Résumé
BACKGROUND: Most of previous studies aimed to estimate the effect of nurse staffing on quality of acute hospital care have used stochastic methods and their results are mixed. OBJECTIVE: To measure the magnitude of effect of nurse-staffing level on increasing quality of acute care services in long-run. DATA: The number of practicing nurses' density per 1000 population as the proxy of nurse-staffing level and three Health Care Quality Indicators (HCQI) included 30-day mortality per 100 patients based on acute myocardial infarction (MORTAMIO), hemorrhagic stroke (MORTHSTO) and ischemic stroke (MORTISTO) were collected as a part of ongoing project by OECD.org in panels of 26 OECD countries over 2005-2015 period. METHOD: Panel data analysis. RESULTS: There were committed relationships from nurse-staffing level to the enhancement of HCQI i.e. 1% increase in nurse-staffing level would reduce the rates of patient mortality based on MORTAMIO, MORTHSTO and MORTISTO by 0.65%, 0.60% and 0.80%, respectively. Furthermore, the role of nurse-staffing level in increasing overall HCQI were simulated at the highest level in Sweden (-3.53), Denmark (-3.31), Canada (-2.59), Netherlands (-2.33), Finland (-2.09), Switzerland (-1.72), Australia (-1.64) and United States (-1.53). CONCLUSION: A higher proportion of nurses-staffing level is associated with higher quality of acute care services in OECD countries. Also, the nursing characteristics of Sweden, Denmark, Canada, Netherlands, Finland, Switzerland, Australia and United States would be good patterns for other countries to maximize nursing outcomes in the care of patients with acute and life-threatening conditions by reducing the risk of complication, mortality and adverse clinical outcomes.
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 | 0,000 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 ».