Attitudes and Behaviours of Hospital Pharmacy Staff toward Near Misses
Notice bibliographique
Résumé
Near misses may be early warning signals for errors. The purpose of this study was to examine the attitudes and behaviours of Manitoba hospital pharmacists and technicians toward near misses and reporting. A web-based survey of pharmacy staff at hospitals (all have non-punitive paper-based incident reporting systems) was conducted in 2009. Survey respondents were asked via a validated survey about experience with and attitudes and behaviours toward near misses. Factor analysis and Cronbach's α were used to determine internal consistency reliability. Differences between pharmacists and technicians were compared using Fisher's exact test for categorical data and t tests for survey scales. Of 37 hospitals, one large tertiary care hospital declined to participate. Of approximately 500 pharmacy staff, 122 (24%) responded. The majority (54.1%) were pharmacists, and most worked in Winnipeg (73.8%). The majority of respondents (62% overall--48% of technicians and 73% of pharmacists (p=.008)--had experienced at least one near miss within the previous three months. However, only 27% had reported a near miss with occurrence-reporting forms. There was no difference in the reporting behaviours scale (eight items, Cronbach's α=.824) between pharmacists and technicians (pharmacist score 30.9 ± 4.8, technician score 29.6 ± 6.0; p=.215). There was no difference in the attitudes scale (23 items, Cronbach's α=.873) between pharmacists and technicians (pharmacist score 81.9 ± 9.4, technician score 80.2 ± 10.6; p=.388). We observed similar behaviours and attitudes between hospital pharmacists and technicians, although reporting of near misses was low. Education of pharmacy staff and managers about near misses may help to encourage reporting.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».