Effects of a fall prevention program in elderly: a pragmatic observational study in two orthopedic departments
Notice bibliographique
Résumé
Purpose: Falls are a common adverse event experienced by elderly in hospitals. This study assessed the effects of a fall prevention program on the rate of fallers, the patient safety culture, and patient-perceived safety. Materials and methods: Two orthopedic departments in different towns in Norway participated in the study. A comprehensive, multifactorial fall prevention program was implemented in one of the departments, the other one was used for control. The changes in the outcomes in the two departments from before to after the intervention were compared. All patients above 64 years of age admitted to the two departments in a 1-year period before and after the intervention were included. All employees at the two departments were invited to participate in surveys measuring the patient safety culture, and a selection of the patients reported patient-perceived safety. The primary outcome was the rate of fallers. Secondary outcomes were the employees’ perceived patient safety culture (measured with the Safety Attitudes Questionnaire) and patient-perceived safety (measured with Norwegian Patient Experience Questionnaire). Results: Falls were registered in 114 out of 3,143 patients (3.6%) with 17,006 days in the hospital. Ten patients had two falls, giving a fall rate of 7.3 falls/1,000 days in the hospital. The number of fallers before and after the intervention in the intervention department were 37/734 (5.04%) and 31/735 (4.22%), P =0.46, and in the control department, 25/811 (3.08%) and 21/863 (2.43%), P =0.46. The difference between the changes in the two departments was not statistically significant; 0.17% (95% CI: -2.49 to 2.84; P =0.90). There were also no significant differences in the changes in patient safety culture and patient-perceived safety. Conclusion: The fall prevention program revealed no significant effect on the rate of fallers, the patient safety culture, or patient-perceived safety. Keywords: accidental falls, accident prevention, adverse effects, patient safety, safety culture
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».