Modelling the impacts of COVID-19 on nurse workload and quality of care using process simulation
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
Higher acuity levels in COVID-19 patients and increased infection prevention and control routines have increased the work demands on nurses. To understand and quantify these changes, discrete event simulation (DES) was used to quantify the effects of varying the number of COVID-19 patient assignments on nurse workload and quality of care. Model testing was based on the usual nurse-patient ratio of 1:5 while varying the number of COVID-19 positive patients from 0 to 5. The model was validated by comparing outcomes to a step counter field study test with eight nurses. The DES model showed that nurse workload increased, and the quality of care deteriorated as nurses were assigned more COVID-19 positive patients. With five COVID-19 positive patients, the most demanding condition, the simulant-nurse donned and doffed personal protective equipment (PPE) 106 times a shift, totaling 6.1 hours. Direct care time was reduced to 3.4 hours (-64% change from baseline pre-pandemic case). In addition, nurses walked 10.5km (+46% increase from base pre-pandemic conditions) per shift while 75 care tasks (+242%), on average, were in the task queue. This contributed to 143 missed care tasks (+353% increase from base pre-pandemic conditions), equivalent to 9.6 hours (+311%) of missed care time and care task waiting time increased to 1.2 hours (+70%), in comparison to baseline (pre-pandemic) conditions. This process simulation approach may be used as potential decision support tools in the design and management of hospitals in-patient care settings, including pandemic planning scenarios.
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 | 0,001 | 0,001 |
| 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 | 0,001 | 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 découle