Decreasing Hospital-acquired Pressure Injuries During the COVID-19 Pandemic: A 5-step Quality Improvement Approach
Notice bibliographique
Résumé
BACKGROUND: Hospital-acquired pressure injuries (HAPIs) are common adverse events with large burdens on patients and health systems. In 2020, during the initial waves of the COVID-19 pandemic, the incidence of admitted patients with HAPIs of stage II and above in our health system rose from 2.92% to 3.80%. In response to rising HAPI rates across our own hospital system, we established a quality aim to reduce HAPIs stage II and above by 50% over 3 years from the onset of the COVID-19 pandemic. METHODS: We designed a multidisciplinary quality improvement HAPI prevention program. Our initiative had 5 key aspects: fostering governance and accountability, providing education and training, changing clinical practice, monitoring data and evaluation, and modernizing environments and equipment. RESULTS: HAPI rate (outcome measure) declined from 3.8% at the onset of the COVID-19 pandemic to 1.6% (58% reduction, P <0.00001) postintervention. Braden Risk Assessment Tool use (process measure) improved from 88.2% to 92.2%. ( P =0.00024). Rate of patient falls with injuries (balancing measure) decreased from 1.5 per 1000 patient days to 1.0 per 1000 patient days ( P =0.0009). CONCLUSIONS: Despite working during the COVID-19 pandemic where organizational resources were constrained and infection control practices were heightened, a multidisciplinary QI HAPI prevention program, informed by evidence-based practices and supported by access to real-time data, led to an ∼58% reduction in the HAPI rate.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».