Ending PJ paralysis for hospitalised patients: a quality improvement initiative
Notice bibliographique
Résumé
INTRODUCTION: PJ paralysis refers to the negative effects experienced by hospitalised patients who remain inactive and dressed in hospital clothing, and is a serious problem, affecting one-third of hospitalised older adults. This study evaluated the impact of a multicomponent hospital-based intervention to get patients out of bed, dressed in non-hospital attire, and moving around/mobilised. METHODS: A 3-month quality improvement initiative was conducted at one hospital unit in Western Canada, which aimed for 50% of all patients to be dressed in their own clothing by midday, sitting up in a chair for all meals and mobilising to activities. Healthcare providers, patients and family members received PJ paralysis education, and a new patient dress code care standard and physician patient care order were implemented. Measures included: daily percentage of patients dressed and up for meals, weekly mobilisation rates, patient and provider satisfaction, and complication rates. Descriptive statistics were completed. RESULTS: From July to October 2019, 70 patients participated. Approximately 14.3% of patients were dressed in their own clothing daily, 6.4% were sitting for all three meals, and the weekly mean number of patients mobilising to activities was 0.9 (SD 0.7) and mobilising for other reasons was 4.5 (SD 1.3). Five physician care orders were written. A trend was observed towards decreased falls, with minimal change in the number of staff, nursing assessment time and complication rates. Patient feedback revealed improvement in their self-identity. CONCLUSION: Alleviating PJ paralysis in hospitalised older patients requires a complex multifactorial approach. Despite not achieving the project aim, the intervention demonstrated positive impacts without complications or additional workload, and ease of implementation suggests feasibility and (potential) long-term sustainability. Further research is needed to explore the experiences and perceptions of patients and healthcare providers to identify facilitators and barriers, which may aid in enhancing and implementing future interventions.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».