Comparison of Three Nursing Workload Assessment Tools in the Neonatal Intensive Care Unit and Their Association with Outcomes of Very Preterm Infants
Notice bibliographique
Résumé
OBJECTIVE: Nursing workload assessment tools are widely used to determine nurse staffing requirements in the neonatal intensive care unit (NICU). We aimed to compare three existing workload assessment tools and assess their association with mortality or morbidity among very preterm infants. STUDY DESIGN: Single-center retrospective cohort study of infants born <33 weeks and admitted to a 52-bed tertiary NICU in 2017 to 2018. Required nurse staffing was estimated for each shift using the Winnipeg Assessment of Neonatal Nursing Needs Tool (WANNNT) used as reference tool, the Quebec Provincial NICU Nursing Ratio (QPNNR), and the Canadian NICU Resource Utilization (CNRU). Poisson regression models with robust error variance estimators were used to assess the association between nursing provision ratios (actual number of nurses/required number of nurses) during the first 7 days of admission and neonatal outcomes. RESULTS: < 0.0001). The NICU nursing provision ratios during the first 7 days of admission calculated using the WANNNT (adjusted risk ratio [aRR]: 0.96, 95% confidence interval [CI]: 0.93-0.99) and QPNNR (aRR: 0.97, 95% CI: 0.95-0.99) were associated with mortality or morbidity. CONCLUSION: Lower nursing provision ratio calculated using the WANNNT and CNRU during the first 7 days of admission is associated with an increased risk of mortality/morbidity in very preterm infants. KEY POINTS: · NICUs use different nursing workload assessment tools.. · We validated three different nursing workload assessment tools used in the NICU.. · Nursing provision ratio is associated the risk of mortality/morbidity in preterm infants..
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».