Poster — Thur Eve — 56: A Comprehensive System for Classifying, Recording and Analyzing Incidents, Accidents, and Other Events in a Radiotherapy Practice
Notice bibliographique
Résumé
Introduction: An event reporting program was created in a large radiotherapy facility. The aim of the program was develop a classification system for radiation events to improve quality in patient treatment. An event was defined as any action which caused or could have caused the incorrect treatment of the patient or led to the delay of a patient's treatment. Methods and Materials: An event reporting committee comprising of senior members of staff was formed and an anonymous event reporting form and mechanism were created. The data was analyzed and educational feedback were given to the entire staff. Results: The project is ongoing at our clinic, but the data was collected over a 3‐year period starting January 1, 2007. Events are initially evaluated immediately after occurrence, and every few weeks the committee assembles and categorizes the events reports. A total of 971 events were recorded. After an initial increase from 335 events in 2007, to 437 in 2008, 2009 registered only 199 errors. The total event rate per fraction is less than 1% (0.00719), but the overall event rate per patient is about 11%. Also we note that the accident rate (events which have dosimetric consequences for the patient) is relatively low with only 39 events for the 3 year period, about 1 event per month. We also note that near misses account for about 15% of all events. The largest number events (∼15%) occur during treatment delivery, this is expected as this is the most frequent activity.
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 | 0,023 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,016 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,035 | 0,036 |
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 ».