Enhancing Quality of Resident Care and Staff Efficiency Through Implementation of Sensors in the Long-Term Care Setting: A Multi-Site Mixed-Methods Study
Notice bibliographique
Résumé
INTRODUCTION: Individuals residing in long-term care facilities (LTCFs) often experience poor sleep quality. Emerging sensor technologies may improve resident sleep quality and reduce staff workload. This evaluation assessed the impact of a bed sensor technology on LTCF staff experiences and resident outcomes. METHODS: A mixed-methods evaluation examined the impact of a pilot implementation of Toch Sleepsense, a non-wearable sensor placed under residents' beds, which monitors sleep patterns, movement, and vital signs. Data were gathered from staff surveys, interviews, and focus groups from three LTCFs in Western Canada. Descriptive statistics of survey data and thematic analysis of qualitative survey responses and focus groups were used to identify themes in staff experiences with Toch Sleepsense. RESULTS: Staff valued the utility of Toch Sleepsense in providing alerts that support timely interventions and fall prevention. Staff further recognized the value of sensor devices in decreasing repetitive nighttime checks and providing vital sign monitoring. Toch Sleepsense data informed care planning and improved resident comfort. Inconsistent internet connectivity, sensor realignments, and limited training posed challenges to reliability. CONCLUSIONS: Sensor technologies like Toch Sleepsense show potential to improve safety, support staff workload management, and improve care practices. Sustained benefits require reliable technical infrastructure, comprehensive staff training, and strong leadership support.
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 | 0,019 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».