Addition of Advanced Practice Registered Nurses to the Trauma Team: An Integrative Systematic Review of Literature
Notice bibliographique
Résumé
The total cost of inpatient care from a traumatic mechanism of injury in the United States between 2001 and 2011 was $240.7 billion. Medical resident work hour reductions mandated in 2011 left a shortage of available in-hospital providers to care for trauma patients. This created gaps in continuity of care, which can lead to costly increased lengths of stay (LOS) and increased medical errors. Adding advanced practice nurses (APNs) specializing in acute or trauma care to the trauma team may help fill this shortage in trauma care providers. The purpose of this integrative systematic review of the literature was to determine whether adding APNs to the admitting trauma team would decrease LOS. A systematic review of primary research in CINAHL and PubMed databases was performed using the following terms: nurse practitioner, advanced practice nurse, trauma team, and length of stay. Included studies examined the effects of adding APNs to trauma teams, were written in English, and were published in 2007-2017. Six studies were included in the final sample, and all were completed at Level I trauma centers in the United States except one from Canada. Combined sample size was 25,083 admitted trauma patients. All 6 studies reported a decrease in LOS ranging from 0.8 to 2.54 days when APNs were added to the trauma team. More research is needed to identify the best utilization of an APN on a trauma team. It is recommended that all trauma centers add APNs to the trauma team to not only decrease admitted trauma patients' LOS but also provide continuity of care, decreasing costs, and minimizing errors.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».