Nurse-Sensitive Indicators as Predictors of Trauma Patient Discharge Disposition
Notice bibliographique
Résumé
BACKGROUND: About 3.5 million trauma patients are hospitalized every year, but 35%-40% require further care after discharge. Nurses' ability to affect discharge disposition by minimizing the occurrence of nurse-sensitive indicators (catheter-associated urinary tract infection [CAUTI], central line-associated bloodstream infection [CLABSI], and hospital-acquired pressure injury [HAPI]) is unknown. These indicators may serve as surrogate measures of quality nursing care. OBJECTIVE: The purpose of this study was to determine whether nursing care, as represented by three nurse-sensitive indicators (CAUTI, CLABSI, and HAPI), predicts discharge disposition in trauma patients. METHODS: This study was a secondary analysis of the 2021 National Trauma Data Bank. We performed logistic regression analyses to determine the predictive effects of CAUTI, CLABSI, and HAPI on discharge disposition, controlling for participant characteristics. RESULTS: A total of n = 29,642 patients were included, of which n = 21,469 (72%) were male, n = 16,404 (64%) were White, with a mean (SD) age of 44 (14.5) and mean (SD) Injury Severity Score of 23.2 (12.5). We created four models to test nurse-sensitive indicators, both individually and compositely, as predictors. While CAUTI and HAPI increased the odds of discharge to further care by 1.4-1.5 and 2.1 times, respectively, CLABSI was not a statistically significant predictor. CONCLUSIONS: Both CAUTI and HAPI are statistically significant predictors of discharge to further care for patients after traumatic injury. High-quality nursing care to prevent iatrogenic complications can improve trauma patients' long-term outcomes.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».