Assessing Global Nursing Interventions in Reducing Hospital-Acquired Infections: A Meta-Analysis
Notice bibliographique
Résumé
Background: Hospital-acquired infections (HAIs) raise worldwide morbidity, death, and healthcare expenditures. Preventing and managing HAIs requires nursing interventions such hand hygiene, personal protective equipment (PPE) usage, environmental cleaning, and antimicrobial stewardship. This meta-analysis examined how nursing interventions reduced HAIs in different hospital settings. Methods: A complete PubMed, Scopus, and Web of Science search was undertaken for January 2000–December 2023 research. Studies on HAI-reducing nursing interventions were included. Study quality was evaluated using the Cochrane Risk of Bias Tool and Newcastle-Ottawa Scale. The random-effects model was used to construct pooled risk ratios (RRs) with 95% CIs in meta-analysis. We also performed subgroup, sensitivity, and publication bias analyses. Results: Fourteen trials with 2540 individuals were included. In the pooled study, nursing interventions significantly reduced HAI incidence (RR = 0.42, 95% CI: 0.35-0.50, P < 0.001). Subgroup analysis indicated that hand hygiene, PPE usage, environmental cleaning, and antimicrobial stewardship reduced HAIs. Sensitivity analysis verified these results' reliability. Egger's test showed no publication bias (P = 0.78). Over time, cumulative meta-analysis showed constant effect sizes. Conclusion: Nursing interventions significantly reduce HAIs. Hand hygiene, PPE, environmental cleaning, and antimicrobial stewardship are essential to infection control. Healthcare institutions should prioritise these actions and resolve compliance hurdles to enhance patient outcomes and minimise HAIs. Research is needed to explore innovative approaches and identify factors influencing compliance.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,010 |
| Bibliométrie | 0,005 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».