A Quality Improvement Initiative to Decrease Central Line–Associated Bloodstream Infections During the COVID-19 Pandemic: A “Zero Harm” Approach
Notice bibliographique
Résumé
INTRODUCTION: Central line-associated bloodstream infections (CLABSIs) are associated with significant patient harm and health care costs. Central line-associated bloodstream infections are preventable through quality improvement initiatives. The COVID-19 pandemic has caused many challenges to these initiatives. Our community health system in Ontario, Canada, had a baseline rate of 4.62 per 1000 line days during the baseline period. OBJECTIVES: Our aim was to reduce CLABSIs by 25% by 2023. METHODS: An interprofessional quality aim committee performed a root cause analysis to identify areas for improvement. Change ideas included improving governance and accountability, education and training, standardizing insertion and maintenance processes, updating equipment, improving data and reporting, and creating a culture of safety. Interventions occurred over 4 Plan-Do-Study-Act cycles. The outcome was CLABSI rate per 1000 central lines: process measures were rate of central line insertion checklists used and central line capped lumens used, and balancing measure was the number of CLABSI readmissions to the critical care unit within 30 days. RESULTS: Central line-associated bloodstream infections decreased over 4 Plan-Do-Study-Act cycles from a baseline rate of 4.62 (July 2019-February 2020) to 2.34 (December 2021-May 2022) per 1000 line days (51%). The rate of central line insertion checklists used increased from 22.8% to 56.9%, and central line capped lumens used increased from 72% to 94.3%. Mean CLABSI readmissions within 30 days decreased from 1.49 to 0.1798. CONCLUSIONS: Our multidisciplinary quality improvement interventions reduced CLABSIs by 51% across a health system during the COVID-19 pandemic.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».