Safety learning system development--incident reporting component for family practice
Notice bibliographique
Résumé
OBJECTIVE: To determine the required components for developing the reporting components of a safety learning system (SLS) for community-based family practice. METHODS: Multiple databases were searched for all languages for all types of papers related to medical safety in community practice: Books@Ovid, BIOSIS Previews, CDSR, ACP Journal Club, DARE, CCTR, Ageline, AMED, CINAHL, EMBASE, HealthSTAR, Ovid MEDLINE In-Process, Other Non-Indexed Citations, Ovid MEDLINE, PsycINFO, HAPI and PsycBOOKS. A grey literature search was done in Google. RESULTS: The online search identified 190 papers. English abstracts were read and the full papers (or chapters) were retrieved for 90, of which 18 were deemed appropriate. The grey literature search revealed 18 additional papers, and an additional 12 papers were identified from bibliographies of included papers. The common themes identified from the articles became the main consideration for developing an SLS for family practice and include current and past initiatives, system design, incident reporting form and classification system. CONCLUSION: There is a small but growing body of literature concerning the requirements for developing the reporting component of an SLS for family practice. For the reporting component of an SLS to be successful, there needs to be strong leadership, voluntary reporting, legal protection and feedback to reporters.
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 | 0,110 | 0,259 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».