Development of a Measure of Patient Safety Event Learning Responses
Notice bibliographique
Résumé
OBJECTIVE: To define patient safety event (PSE) learning response and to provide preliminary validation of a measure of PSE learning response. DATA SOURCES: Ten focus groups with front-line staff and managers, an expert panel, and cross-sectional survey data from patient safety officers in 54 general acute hospitals. STUDY DESIGN: A mixed methods study to define a measure of learning responses to patient safety failures that is rooted in theory, expert knowledge, and organizational practice realities. EXTRACTION METHODS: Learning response items developed from the literature were modified and validated in front-line staff and manager focus groups and by an expert panel and second group of external experts. Actual learning responses gleaned from survey data were examined using exploratory factor analyses and reliability analysis. PRINCIPAL FINDINGS: Unique learning response items were identified for minor, moderate, major events, and major near misses by an expert panel. A two-factor model of major event learning response was identified (factor 1=event analysis, factor 2=dissemination/communication of learnings). Organizations engage in greater learning responses following major events than less severe events and, for major events, organizations engage in more factor 1 responses than factor 2 learning responses. CONCLUSIONS: Eleven to 13 items can measure learning responses to PSEs of differing severity. The items are feasible, grounded in theory, and reflect expert opinion as well as practice setting realities. The items have the potential for use to assess current practice in organizations and set future improvement goals.
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 | 0,007 | 0,000 |
| 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 | 0,001 | 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 ».