Using Logistic Regression to Investigate Self-Efficacy and the Predictors for NCLEX® Success for Baccalaureate Nursing Students
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<b>Introduction</b> Heart failure is the most common cause of hospital admission in patients >65 years and around 50% of patients will be readmitted within 6 months. Inability to achieve timely outpatient follow-up may contribute to the high rates of avoidable rehospitalisation for this group of patients. Canadian guidelines recommend patients with heart failure should be seen within 14 days of discharge. <b>Methods</b> An audit demonstrated that less than half of advanced heart failure patients were being followed up within 14 days. In an effort to improve postdischarge follow-up in our heart function clinic, we used process mapping and applied a series of iterative changes to the appointment booking system using Plan-Do-Study-Act cycles to reduce waste and standardise. <b>Results</b> The primary outcome measure, tracked over a period of 20 months, was percentage of patients booked within 14 days. At baseline, 37% of patients were seen within 14 days. After our series of interventions related to streamlining and standardising the appointment booking process, 77% of patients were seen within 14 days and 100% of patients were seen within 21 days. <b>Conclusion</b> The changes made to the appointment booking process were reproducible, sustainable, effective and required no additional resources or funding.
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.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle