Emotional Influences in Patient Safety
Notice bibliographique
Résumé
OBJECTIVE: The way that health care providers feel, both within themselves and toward their patients, may influence their clinical performance and impact patient safety, yet this aspect of provider behavior has received relatively little attention. How providers feel, their emotional or affective state, may exert a significant, unintended influence on their patients, and may compromise safety. METHODS: We examined a broad literature across multiple disciplines to review the interrelationships between emotion, decision making, and behavior, and to assess their potential impact on patient safety. FINDINGS: There is abundant evidence that the emotional state of the health care provider may be influenced by factors including characteristics of the patient, ambient conditions in the health care setting, diurnal, circadian, infradian, and seasonal variables, as well as endogenous disorders of the individual provider. These influences may lead to affective biases in decision making, resulting in errors and adverse events. Clinical reasoning and judgment may be particularly susceptible to emotional influence, especially those processes that rely on intuitive judgments. CONCLUSIONS: There are many ways that the emotional state of the health care provider can influence patient care. To reduce emotional errors, the level of awareness of these factors should be raised. Emotional skills training should be incorporated into the education of health care professionals. Specifically, clinical teaching should promote more openness and discussion about the provider's feelings toward patients. Strategies should be developed to help providers identify and de-bias themselves against emotional influences that may impact care, particularly in the emotionally evocative patient. Psychiatric conditions within the provider, which may compromise patient safety, need to be promptly detected, diagnosed, and managed.
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 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».