Datos de investigación
Permanent URI for this collection
Browse
Browsing Datos de investigación by browse.metadata.contributordepartment "Enfermería"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
PublicationOpen AccessData estraction scoping review wearable ai elderlyPastor Zorita, Andrea; Bote Díaz, Marcos Alonso; Pastor Seller, Enrique; Enfermería; Escuela Internacional de DoctoradoExtracción de datos de 25 artículos científicos seleccionados para una scoping review sobre el uso de dispositivos portátiles con inteligencia artificial para el cuidado de personas mayores.- PublicationRestrictedDataset used for the article: Effect of an online training intervention on evidence-based practice in clinical nurses. #Evidencer Project(2025-04-03) Ramos-Morcillo, Antonio Jesús; Ruzafa-Martínez, María; Leal-Costa, César; Fernández Salazar, Serafín; Enfermería
- PublicationOpen AccessModelos de Inteligencia artificial SVM-SHAP y Logísticos para identificación de factores de supervivencia y resultados clínicos en residencias de mayores en España.Pastor Zorita, Andrea; Bote Díaz, Marcos Alonso; Pastor Seller, Enrique; Enfermería; Escuela Internacional de DoctoradoIntroducción: El cuidado de personas mayores institucionalizadas representa un desafío importante en sociedades envejecidas como España. La creciente demanda de cuidados de larga duración, junto con los recursos limitados, hace necesario identificar los factores que influyen en la calidad asistencial y los resultados clínicos. Este estudio combina métodos de inteligencia artificial y análisis estadísticos para analizar las variables asociadas con la mortalidad, la supervivencia y otros resultados clínicos, proporcionando recomendaciones basadas en evidencia para mejorar la gestión de las residencias de mayores. Asimismo, esta investigación busca contribuir al desarrollo de estrategias efectivas que optimicen los recursos disponibles, promoviendo un cuidado más eficiente y humano. Métodos: Se realizó un estudio observacional en ocho residencias de la comarca Marina Alta, Alicante, con una muestra de 497 residentes. Los datos se recopilaron considerando variables demográficas, clínicas y de infraestructura, como los niveles de dependencia, ratios de personal y resultados clínicos. Los análisis se llevaron a cabo mediante regresión logística binaria y modelos de máquinas de vectores de soporte con kernel de función base radial. Para interpretar las contribuciones de cada variable para Supervivencia, se utilizó SHAP. Todos los análisis se realizaron utilizando R. Resultados: El análisis mostró que una mayor ratio enfermera/residente incrementó significativamente la supervivencia, con un OR = 8.03, IC 95% [4.45, 14.51], p < 0.05. Un incremento del 1% en habitaciones individuales disminuyó la probabilidad de mortalidad, con un OR = 0.23, IC 95% [0.15, 0.35], p < 0.05. Ratios más altas de auxiliares de enfermería redujeron las complicaciones y aumentaron la supervivencia, con un OR = 0.12, IC 95% [0.05, 0.32], p < 0.05. Un aumento en las derivaciones hospitalarias estuvo asociado con una mayor incidencia de úlceras por presión, con un OR = 1.02, IC 95% [1.01, 1.03], p < 0.05. Mayores ratios de auxiliares actuaron como un factor protector, reduciendo la prevalencia de úlceras, con un OR = 0.12, IC 95% [0.05, 0.32], p < 0.05. Discusión: Los hallazgos destacan la relevancia de los recursos humanos y la infraestructura en la mejora de los resultados clínicos y la supervivencia en residencias de mayores. La disponibilidad de habitaciones individuales y personal suficiente son factores clave para reducir la mortalidad y complicaciones. Los modelos avanzados de IA, como el SVM-SHAP, permiten analizar interacciones complejas entre variables, proporcionando información más precisa para guiar decisiones políticas y administrativas basadas en evidencia. El análisis mediante SHAP aporta una perspectiva innovadora en la gestión sanitaria, maximizando los resultados a partir de intervenciones específicas. Conclusiones: El estudio evidencia la necesidad de implementar sistemas estandarizados en España para monitorear y mejorar la calidad asistencial en residencias de mayores. Aumentar las ratios de enfermería, de auxiliares y habitaciones individuales podría traducirse en mejoras significativas en la supervivencia y calidad de vida de los residentes. Los modelos de IA, como el SVM-SHAP, son herramientas valiosas para optimizar la gestión y los cuidados en estos entornos.
- PublicationOpen AccessThe expository phase of debriefing in clinical simulation: a qualitative study(BioMed Central, 2025-04-30) Fenzi, Giulio; Alemán Jiménez, Carolina; Cayuela Fuentes, Pedro Simón; Segura López, Gabriel; Leal Costa, Cesar; Díaz Agea, José Luis; EnfermeríaBackground Clinical simulation fosters reflective, experiential learning in a safe environment, allowing participants to learn from mistakes without patient risk. Debriefing, essential for reflection, is typically facilitator driven. The MAES© methodology (Self-Learning Methodology in Simulated Environments) shifts the focus to students, guiding them through six sequential phases: group identity creation, topic selection, objective setting, competency establishment, scenario design, simulation, and debriefing. MAES© introduces an expository phase in debriefing, where students present theoretical and practical content. The facilitator assumes a significant, yet secondary role, fostering increased student-led learning opportunities and, at times, enabling even trained real patients to co-facilitate the debriefing. Objective To explore participants’ experiences and perceptions regarding the expository phase of debriefing within the MAES© methodology framework, with specific focus on the student-led debriefing component. Method A descriptive qualitative inductive approach with thematic content analysis was used. Open-ended questionnaires from 151 undergraduate final year and post-graduate nursing students, captured their experiences with the MAES© expository phase. Open-ended questionnaires allow participants to freely and anonymously express their perspectives and experiences. Responses were transcribed, independently coded, and analyzed using MaxQDA® v18. Data were coded and analyzed based on absolute and relative frequencies of emerging categories. The study adhered to the SRQR (Standards for Reporting Qualitative Research) guidelines. Results The analysis revealed several key themes in student evaluations. Satisfaction with the methodology emerged strongly, with over one-third of participants expressing no desired changes. The reflective nature of the approach was prominently valued, along with its effectiveness for concept clarification and fostering collaborative learning. Participants particularly noted developmental outcomes in communication competencies and technical skills, while appreciating the motivational learning environment and evidence-based focus. The suggested improvements focused on three main aspects: increased session dynamism, a greater use of visual and interactive elements, and reduced dependence on slide-based presentations. Conclusion The study highlights the value of the expository phase in the MAES© methodology, emphasizing its effectiveness in clarifying concepts, fostering collaboration, and developing technical and communication skills. It also promotes student autonomy through active engagement. However, participants suggested improvements,