Trends in Pressure Injury Prevalence Rates and Average Days to Healing Associated With Adoption of a Comprehensive Wound Care Program and Technology in Skilled Nursing Facilities in the United States
Notice bibliographique
Résumé
INTRODUCTION: A large SNF system in the United States adopted a holistic wound care model that included an AI DWMS to improve PI care. OBJECTIVE: To compare the trend in PI point prevalence rates and average days to healing linked to adopting technology in practice from 2021 to 2022, and to assess the rate of received PI F686 citations in facilities that adopted the technology compared with those that did not. METHODS: The study used the DWMS database to compare anonymized PI data assessed in 2021 (15 583 patients) vs 2022 (30 657 patients) from all SNF facilities that adopted the technology in 2021 and 2022. F686 citations data were provided by the SNF organization. RESULTS: There was a 13.1% reduction in PI prevalence from 2021 to 2022 across all PI stages. Facilities that adopted the technology demonstrated a significant reduction in days to healing from 2021 to 2022, with an average of 17.7 days saved per PI or a 37.4% faster healing rate (P < .001). A significant reduction in the average days to healing was noted for all PI stages, with the most significant savings observed for stages 3 and 4, with an average savings of 35 days (stage 3) and 85 days (stage 4) in 2022 vs 2021 (P < .001). From 2021 to 2022, facilities that adopted the technology reported an overall 8.2% reduction in F-686 citations severity >G compared to those that did not adopt the technology. CONCLUSION: Use of technology as part of a comprehensive wound care program has the potential to not only improve patient care and quality of life, but to realize considerable annual savings in additional PI out-of-pocket expenses (up to $1 410 000) and of clinicians' time (44 808 hours).
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 | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».