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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».