Alcance de la implantación de la guía “valoración del riesgo y prevención de úlceras por presión de la 'Registered Nurses’ Association of Ontario (RNAO)
Notice bibliographique
Résumé
Background: The Best Practice Spotlight \nOrganizations® Program is being developed in \nSpain to reduce the variability of clinical practice \nby implementing clinical practice guidelines from \nthe Registered Nurses’ Association of Ontario. This \nstudy described the results of the implementation \nof the guide “Risk assessment and prevention of \npressure ulcers”. \nMethods: We carried out a retrospective observational \nstudy (2015-2018) at the Hospital \nUniversitario Virgen de las Nieves on 4,464 patients \nfrom 22 hospitalization units, analyzing type \nof unit, risk assessment, preventive measures, origin \nand category of ulcers. Descriptive analysis and \ncontingency tables were performed with the Chisquare \nstatistic p<0.05. \nResults: The patients at risk were 62.2% in medical \nunits, 53.4% in surgical units and 90% in intensive \ncare. The application of preventive measures \nwas 67.9%, 60.2% and 92.1% (respectively) for \neach unit. In medical units, 13.1% of pressure ulcers \nwere identified, of which 68.1% were present \nat the time of admission. While in surgical units \nand intensive care they developed during hospitalization \n(60.8% and 88.9% respectively) (p<0.001). \nThe presence of ulcers seemed to show a decreasing \ntrend in the years analyzed (19.6% to 11.2%). \nConclusions: There are favorable environments \nfor implantation (medical units and intensive \ncare) that reflect a higher level of risk assessment, \nuse of pressure management surfaces and a decrease \nin prevalence. The recommendations have not \nbeen implemented homogeneously, with differences \ndepending on the type of unit.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».