Nurse Staffing, the Clinical Work Environment, and Burn Patient Mortality
Notice bibliographique
Résumé
The complexity of modern burn care requires an integrated team of specialty providers working together to achieve the best possible outcome for each burn survivor. Nurses are central to many aspects of a burn survivor's care, including physiologic monitoring, fluid resuscitation, pain management, infection prevention, complex wound care, and rehabilitation. Research suggests that in general, hospital nursing resources, defined as nurse staffing and the quality of the work environment, relate to patient mortality. Still, the relationship between those resources and burn mortality has not been previously examined. This study used a multivariable risk-adjusted regression model and a linked, cross-sectional claims database of more than 14,000 adults (≥18 years) thermal burn patients admitted to 653 hospitals to evaluate these relationships. Hospital nursing resources were independently reported by more than 29,000 bedside nurses working in the study hospitals. In the high burn patient-volume hospitals (≥100/y) that care for the most severe burn injuries, each additional patient added to a nurse's workload is associated with 30% higher odds of mortality (P < .05, 95% CI: 1.02-1.94), and improving the work environment is associated with 28% lower odds of death (P < .05, 95% CI: 0.07-0.99). Nursing resources are vital in the care of burn patients and are a critical, yet previously omitted, variable in the evaluation of burn outcomes. Attention to nurse staffing and improvement to the nurse work environment is warranted to promote optimal recovery for burn survivors. Given the influence of nursing on mortality, future research evaluating burn patient outcomes should account for nursing resources.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».