Nurse staffing practices and adverse events in acute care hospitals: The research protocol of a multisite patient‐level longitudinal study
Notice bibliographique
Résumé
AIMS: We describe an innovative research protocol to: (a) examine patient-level longitudinal associations between nurse staffing practices and the risk of adverse events in acute care hospitals and; (b) determine possible thresholds for safe nurse staffing. DESIGN: A dynamic cohort of adult medical, surgical and intensive care unit patients admitted to 16 hospitals in Quebec (Canada) between January 2015-December 2019. METHODS: Patients in the cohort will be followed from admission until 30-day postdischarge to assess exposure to selected nurse staffing practices in relation to the subsequent occurrence of adverse events. Five staffing practices will be measured for each shift of an hospitalization episode, using electronic payroll data, with the following time-varying indicators: (a) nursing worked hours per patient; (b) skill mix; (c) overtime use; (d) education mix and; and (e) experience. Four high-impact adverse events, presumably associated with nurse staffing practices, will be measured from electronic health record data retrieved at the participating sites: (a) failure-to-rescue; (b) in-hospital falls; (c) hospital-acquired pneumonia and; and (d) venous thromboembolism. To examine the associations between the selected nurse staffing exposures and the risk of each adverse event, separate multivariable Cox proportional hazards frailty regression models will be fitted, while adjusting for patient, nursing unit and hospital characteristics, and for clustering. To assess for possible staffing thresholds, flexible non-linear spline functions will be fitted. Funding for the study began in October 2019 and research ethics/institutional approval was granted in February 2020. DISCUSSION: To our knowledge, this study is the first multisite patient-level longitudinal investigation of the associations between common nurse staffing practices and the risk of adverse events. It is hoped that our results will assist hospital managers in making the most effective use of the scarce nursing resources and in identifying staffing practices that minimize the occurrence of adverse events.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».