Achieving a climate for patient safety by focusing on relationships
Notice bibliographique
Résumé
OBJECTIVE: Despite many initiatives, advances in patient safety remain uneven in part because poor relationships among health professionals have not been addressed. The purpose of this study was to determine whether relationships between health professionals contributed to a patient safety climate, after implementation of an intervention to improve inter-professional collaboration. DESIGN/SETTING: This was a secondary analysis of data collected to evaluate the Interprofessional Model of Patient Care (IPMPC) at The Ottawa Hospital in Ontario, Canada, which consists of five sites. A series of generalized estimating equation models were generated, accounting for the clustering of responses by site. PARTICIPANTS: Thirteen health professionals including physicians, nurses, physiotherapists and others (n = 1896) completed anonymous surveys about 1 year after the IPMPC was introduced. INTERVENTION: The IPMPC was implemented to improve interdisciplinary collaboration. MAIN OUTCOME MEASURES: Reliable instruments were used to measure collaboration, respect, inter-professional conflict and patient safety climate. RESULTS: Collaboration (β = 0.13; P = 0.002) and respect (β = 1.07; P = 0.03) were significant independent predictors of patient safety climate. Conflict was an independent and significant inverse predictor of patient safety climate (β = -0.29; P = 0.03), but did not moderate linkages between collaboration and patient safety climate or between respect and patient safety climate. CONCLUSIONS: Through the IPMPC, all health professionals learned how to collaborate and build a patient safety climate, even in the presence of inter-professional conflict. Efforts by others to foster better work relationships may yield similar improvements in patient safety climate.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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) | 0,000 | 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 ».