Improving pressure injury risk assessment using real‐world data from skilled nursing facilities: A cohort study
Notice bibliographique
Résumé
This study aimed to improve the predictive accuracy of the Braden assessment for pressure injury risk in skilled nursing facilities (SNFs) by incorporating real-world data and training a survival model. A comprehensive analysis of 126 384 SNF stays and 62 253 in-house pressure injuries was conducted using a large calibrated wound database. This study employed a time-varying Cox Proportional Hazards model, focusing on variations in Braden scores, demographic data and the history of pressure injuries. Feature selection was executed through a forward-backward process to identify significant predictive factors. The study found that sensory and moisture Braden subscores were minimally contributive and were consequently discarded. The most significant predictors of increased pressure injury risk were identified as a recent (within 21 days) decrease in Braden score, low subscores in nutrition, friction and activity, and a history of pressure injuries. The model demonstrated a 10.4% increase in predictive accuracy compared with traditional Braden scores, indicating a significant improvement. The study suggests that disaggregating Braden scores and incorporating detailed wound histories and demographic data can substantially enhance the accuracy of pressure injury risk assessments in SNFs. This approach aligns with the evolving trend towards more personalized and detailed patient care. These findings propose a new direction in pressure injury risk assessment, potentially leading to more effective and individualized care strategies in SNFs. The study highlights the value of large-scale data in wound care, suggesting its potential to enhance quantitative approaches for pressure injury risk assessment and supporting more accurate, data-driven clinical decision-making.
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 | 0,003 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».