Nursing assistants' use of best practices and pain in older adults living in nursing homes
Notice bibliographique
Résumé
BACKGROUND: Inadequate pain management persists in nursing homes. Nursing assistants provide the most direct care in nursing homes, and significantly improving the quality of care requires their adoption of best care practices informed by the best available evidence. We assessed the association between nursing assistants' use of best practices and residents' pain levels. METHODS: We performed a cross-sectional analysis of data collected between September 2019 and February 2020 from a stratified random sample of 87 urban nursing homes in western Canada. We linked administrative data (the Resident Assessment Instrument-Minimum Data Set [RAI-MDS], 2.0) for 10,093 residents and survey data for 3547 nursing assistants (response rate: 74.2%) at the care unit level. Outcome of interest was residents' pain level, measured by the pain scale derived from RAI-MDS, 2.0. The exposure variable was nursing assistants' use of best practices, measured with validated self-report scales and aggregated to the unit level. Two-level random-intercept multinomial logistic regression accounted for the clustering effect of residents within care units. Covariates included resident demographics and clinical characteristics and characteristics of nursing assistants, unit, and nursing home. RESULTS: Of the residents, 3305 (30.3%) were identified as having pain. On resident care units with higher levels of best practice use among nursing assistants, residents had 32% higher odds of having mild pain (odds ratio, 1.32; 95% confidence interval, 1.01-1.71; p = 0.040), compared with residents on care units with lower levels of best practice use among nursing assistants. The care units did not differ in reported moderate or severe pain among residents. CONCLUSIONS: We observed that higher unit-level best practice use among nursing assistants was associated with mild resident pain. This association warrants further research to identify key individual and organizational factors that promote effective pain assessment and management.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».