Leveraging Nursing Assessment for Early Identification of Post Operative Gastrointestinal Dysfunction (POGD) in Patients Undergoing Colorectal Surgery
Notice bibliographique
Résumé
Background: Postoperative gastrointestinal dysfunction (POGD) remains a common morbidity after gastrointestinal surgery. POGD is associated with delayed hospital recovery, increased length of stay, poor patient satisfaction and experience, and increased economic hardship. The I-FEED scoring system was created by a group of experts to address the lack of a consistent objective definition of POGD. However, the I-FEED tool needs clinical validation before it can be adopted into clinical practice. The scope of this phase 1 Quality Improvement initiative involves the feasibility of implementing percussion into the nursing workflow without additional burden. Methods: All gastrointestinal/colorectal surgical unit registered nurses underwent comprehensive training in abdominal percussion. This involved understanding the technique, its application in postoperative gastrointestinal dysfunction assessment, and its integration into the existing nursing documentation in the Electronic Health Record (EHR). After six months of education and practice, a six-question survey was sent to all inpatient GI surgical unit nurses about incorporating the percussion assessment into their routine workflow and documentation. Results: Responses were received from 91% of day-shift nurses and 76% of night-shift registered nurses. Overall, 95% of the nurses were confident in completing the abdominal percussion during their daily assessment. Conclusion: Nurses’ effective use of the I-FEED tool may help improve patient outcomes after surgery. The tool could also be an effective instrument for the early identification of postoperative gastrointestinal dysfunction (POGD) in surgical patients.
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 | 0,001 | 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 | 0,000 | 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 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 ».