Aiming for Zero Preventable Deaths: Using Death Review to Improve Care and Reduce Harm
Notice bibliographique
Résumé
In 2005, our organization set a goal of zero preventable deaths by 2010--notionally a sound goal but extremely challenging to measure, monitor and evaluate. The development of an interdisciplinary Death and Adverse Event Review process has provided a measure and framework for action to decrease adverse events (AEs) that cause harm. Death and Adverse Event Review is a formal process in which trained reviewers consider patient deaths using a modified Global Trigger Tool to establish the presence of AEs or quality of care issues that may have potentially led to death or harm. When identified, these charts go to second-level review by a physician/interdisciplinary team to determine recommendations for actions to prevent future reoccurrences. Data have provided trending of system influences to patient safety. In 2008-2009, 1,817 deaths were reviewed and AE rates of 12.1% and 16.3% were identified. There were 422 AEs and 114 quality of care issues identified for follow-up. Of the 4.7% and 6.3% referred to the physician/interdisciplinary team for secondary review, 2.3% and 2.6% resulted in recommendations for improvement. In addition to local improvements, many system improvements have occurred as a result of the review, such as proposed minimum standards for physician documentation; a formal review of post-operative guidelines for patients with sleep apnea; and a working group to review nursing documentation, communication/follow-up of vital signs, fluid balance and pain management. The Death and Adverse Event Review process provides a new critical level of detail that supports continuous improvements to our care processes and ongoing progress toward our goal of zero preventable deaths.
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) | 0,000 | 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 | 0,000 |
| 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 ».