COVID-19 and Hospital-Acquired Pressure Injuries: A Systematic Review
Notice bibliographique
Résumé
ABSTRACT OBJECTIVE To investigate the relationship between COVID-19 related variables and hospital-acquired pressure injuries (HAPI) incidence. DATA SOURCES The authors searched four databases: Cochrane, MEDLINE, EMBASE, and CINAHL. The literature search contained key terms such as COVID-19, hospital-acquired pressure injuries, pressure ulcer, pressure injury, decubitus ulcer, and hospitalization. STUDY SELECTION The systematic search of the literature identified 489 publications that matched the inclusion criteria. This included peer-reviewed publications that reported HAPI incidence for patients who were hospitalized and COVID-19 positive. Two reviewers performed the screen simultaneously and 19 publications were included. DATA EXTRACTION Two reviewers followed a standardized extraction form that included study and patient characteristics, COVID-19 status, HAPI characteristics, prone positioning, length of hospitalization, and HAPI prevention and treatment strategies. DATA SYNTHESIS A narrative synthesis of the extracted data was carried out because the data obtained were too heterogeneous for meta-analysis. The primary outcome was HAPI incidence. CONCLUSIONS This review identified that HAPI incidence was high among men who were COVID-19 positive, had longer hospital stays, experienced prone positioning, and had care teams without a skin and wound care expert. Future research should employ more robust methodology and focus on quantitative modeling to iteratively improve in-patient HAPI guidelines.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».