FRAILTY MEETS NURSING COMPLEXITY: EXPLORING THEIR IMPACT ON HOSPITAL LENGTH OF STAY IN HEART FAILURE PATIENTS
Notice bibliographique
Résumé
Abstract Background Frailty, a multidimensional condition, poses significant challenges in heart failure (HF) patients, frequently leading to increased nursing complexity and prolonged hospital length of stay (LOS). This study aims to investigate the association between frailty and nursing complexity, as well as their combined influence on hospital length of stay (LOS) in HF patients. Methods A retrospective observational study was conducted at an Italian university hospital, including all patients with HF admitted consecutively over one year. Frailty was measured using the Blaylock Risk Assessment Screening Score (BRASS), classifying patients into low (score ‹10), moderate (score 10–19), and high (score ≥20) risk categories. Nursing complexity was measured using the Nursing Dependency Index (NDI), defined as the number of nursing diagnoses per patient on hospital admission. Prolonged LOS was defined as stays exceeding the 75th percentile. Data were collected using the hospital discharge register and the Professional Assessment Instrument, a system designed to record nursing care. Pearson correlation analyses were conducted to explore relationships between variables. Latent Class Analysis (LCA) identified nursing complexity and frailty profiles, while logistic regression evaluated associations between LCA profiles and prolonged LOS. Results Among 608 patients (mean age 75.7 ± 13.06), the mean NDI score was 4.31 ± 3.44, and the mean BRASS score was 8.01 ± 6.00. The NDI increased significantly with frailty risk (low: 3.96 ± 3.34; moderate: 5.46 ± 3.71; high: 5.31 ± 3.00; F = 10.212, p ‹ 0.001). Correlations were observed between NDI and frailty (r = 0.213, p ‹ 0.001), NDI and LOS (r = 0.127, p ‹ 0.005), and frailty and LOS (r = 0.179, p ‹ 0.001). LCA identified two profiles: low complexity/low frailty (NDI: 3.62 ± 3.06, BRASS: 6.39 ± 4.50) and high complexity/high frailty (NDI: 6.92 ± 3.58, BRASS: 14.1 ± 6.96). Model fit indices indicated an acceptable fit (log–likelihood = –3193, AIC = 6585, BIC = 7021, and entropy = 0.726), demonstrating good class separation. Logistic regression showed that the high complexity/high frailty profile increased the odds of prolonged LOS by 87% (OR = 1.867, 95% CI: 1.225–2.846, p ‹ 0.005). Conclusion Higher nursing complexity and frailty are strongly associated with prolonged LOS in HF patients. Identifying distinct profiles of complexity and frailty can guide tailored interventions to improve outcomes and optimize resource use.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».