Sub-epidermal moisture assessment as an adjunct to visual assessment in the reduction of pressure ulcer incidence
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
OBJECTIVE: To assess the effectiveness of sub-epidermal moisture (SEM) assessment technology as an adjunct to visual assessment to reduce pressure ulcer (PU) incidence alongside standard PU care pathways. METHOD: Data were obtained from wards located within 28 institutions in the UK, Canada, Belgium, Spain and Ireland. At each ward, the proportion of patients scanned who were observed to have one or more PUs of Category 2 or above during a pre-Pressure Ulcer Reduction Programme (PURP) implementation period starting between November 2017 and July 2018 was recorded. The proportion of patients scanned who were observed to have one or more PUs of Category 2 or above during a post-PURP implementation period starting between November 2018 and July 2019 was also recorded. A meta-analysis was conducted on the data using wards as the unit of analysis, to facilitate overall estimate of the PURP. A sensitivity study was also conducted to assess the sensitivity of results to data from specific institutions. RESULTS: A synthesised estimate of the overall relative risk (RR) was calculated to be 0.38 (95% confidence interval 0.26 to 0.56). Hence the risk of PU in the post-PURP cohort was about one-third that of the corresponding risk in the pre-PURP cohort. The sensitivity analysis revealed no evidence that any individual ward exerted excessive influence on the findings. CONCLUSION: The analysis has revealed strong evidence that implementation of the PURP was associated with reduction in incidence of Category 2 or above PUs across a wide range of clinical settings.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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