Adverse Events following Discharge from the Hospital
Notice bibliographique
Résumé
Letters3 February 2004Adverse Events following Discharge from the HospitalAlan J. Forster, MD, FRCPC, MSc and David W. Bates, MD, MScAlan J. Forster, MD, FRCPC, MScFrom Ottawa Health Research Institute and University of Ottawa, Ottawa, Ontario K1Y 4E9, Canada; and Brigham and Women's Hospital and Harvard Medical School, Boston, MA 02115.Search for more papers by this author and David W. Bates, MD, MScFrom Ottawa Health Research Institute and University of Ottawa, Ottawa, Ontario K1Y 4E9, Canada; and Brigham and Women's Hospital and Harvard Medical School, Boston, MA 02115.Search for more papers by this authorAuthor, Article, and Disclosure Informationhttps://doi.org/10.7326/0003-4819-140-3-200402030-00022 SectionsAboutFull TextPDF ToolsAdd to favoritesDownload CitationsTrack CitationsPermissions ShareFacebookTwitterLinkedInRedditEmail IN RESPONSE:We apologize to Dr. Rifas, and other readers, who had the misimpression that we were suggesting that adverse events postdischarge were “simply due to stupid doctors.” We strongly agree that preventable adverse events occur primarily because of systems issues (1). Our intent was to try to shed light on the extent of a problem that we feel is the result of changes in the health system, specifically the increasing fragmentation and complexity of care. Certainly, the unnecessarily complicated rules that patients face regarding health insurance reimbursements, which Dr. Rifas and Drs. Leff and Boult rightly underscore, contribute to ...References1. Leape LL, Bates DW, Cullen DJ, Cooper J, Demonaco HJ, Gallivan T, et al . Systems analysis of adverse drug events. ADE Prevention Study Group. JAMA. 1995;274:35-43. [PMID: 7791256] CrossrefMedlineGoogle Scholar2. Bates DW, Leape LL, Cullen DJ, Laird N, Petersen LA, Teich JM, et al . Effect of computerized physician order entry and a team intervention on prevention of serious medication errors. JAMA. 1998;280:1311-6. [PMID: 9794308] CrossrefMedlineGoogle Scholar3. Hayward RA, Hofer TP. Estimating hospital deaths due to medical errors: preventability is in the eye of the reviewer. JAMA. 2001;286:415-20. [PMID: 11466119] CrossrefMedlineGoogle Scholar Author, Article, and Disclosure InformationAuthors: Alan J. Forster, MD, FRCPC, MSc; David W. Bates, MD, MScAffiliations: From Ottawa Health Research Institute and University of Ottawa, Ottawa, Ontario K1Y 4E9, Canada; and Brigham and Women's Hospital and Harvard Medical School, Boston, MA 02115. PreviousarticleNextarticle Advertisement FiguresReferencesRelatedDetailsSee AlsoThe Incidence and Severity of Adverse Events Affecting Patients after Discharge from the Hospital Alan J. Forster , Harvey J. Murff , Josh F. Peterson , Tejal K. Gandhi , and David W. Bates Adverse Events following Discharge from the Hospital Donald C. Rifas Adverse Events following Discharge from the Hospital Bruce Leff and Chad Boult Adverse Events following Discharge from the Hospital Matthew M. Medlock , Louis R. Cantilena Jr. , and Michael A. Riel Adverse Events following Discharge from the Hospital Rodney A. Hayward and Timothy P. Hofer Metrics 3 February 2004Volume 140, Issue 3Page: 232-233KeywordsAdverse eventsAttentionConfidence limitDecision makingHealth insuranceQuality improvement ePublished: 3 February 2004 Issue Published: 3 February 2004 Copyright & PermissionsCopyright © 2004 by American College of Physicians. All Rights Reserved.PDF downloadLoading ...
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 | 0,003 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,004 |
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 ».