Adverse Events Detected by Clinical Surveillance on an Obstetric Service
Notice bibliographique
Résumé
OBJECTIVE: Adverse events are adverse patient outcomes resulting from medical care. We performed this study to estimate the rate of adverse events and potential adverse events-errors that have a high likelihood of causing patient harm-occurring during obstetric care. METHODS: This was a prospective cohort study of an obstetric unit in a teaching hospital. We included patients admitted consecutively to the hospital. A trained observer monitored patients for 72 triggers, which were predefined occurrences deemed likely to indicate an actual or potential adverse event. When a trigger occurred, the observer captured information describing it. A five-person multidisciplinary team, including the observer, three physicians, and a hospital risk manager, judged whether the trigger represented an adverse event or potential adverse event. Adverse events were further characterized as preventable. RESULTS: The cohort included 425 patients; 47% were in active labor. We identified 110 triggers. Nine were considered adverse events (risk 2%, 95% confidence interval [CI] 1-4%, rate 0.8 events per 100 patient days), and six were preventable (risk 1%, 95% CI 0-3%, rate 0.5 events per 100 patient days). The remaining triggers included 14 potential adverse events (risk 3%, 95% CI 2-5%, rate 1.3 events per 100 patient days). No adverse event resulted in permanent disability or death. Adverse events and potential adverse events were most commonly "system" problems, such as unavailable staff or operating rooms, or poor fetal outcomes, such as trauma to the newborn. CONCLUSION: Serious adverse events occur infrequently on an obstetric service. However, important quality problems are common and should be targeted for improvement. LEVEL OF EVIDENCE: II-2.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».