Using Medical Emergency Teams to detect preventable adverse events
Notice bibliographique
Résumé
INTRODUCTION: Medical Emergency Teams (METs), also known as Rapid Response Teams, are recommended as a patient safety measure. A potential benefit of implementing an MET is the capacity to systematically assess preventable adverse events, which are defined as poor outcomes caused by errors or system design flaws. We describe how we used MET calls to systematically identify preventable adverse events in an academic tertiary care hospital, and describe our surveillance results. METHODS: For four weeks we collected standard information on consecutive MET calls. Within a week of the MET call, a multi-disciplinary team reviewed the information and rated the cause of the outcome using a previously developed rating scale. We classified the type and severity of the preventable adverse event. RESULTS: We captured information on all 65 MET calls occurring during the study period. Of these, 16 (24%, 95% confidence interval [CI] 16%-36%) were felt to be preventable adverse events. The most common cause of the preventable adverse events was error in providing appropriate therapy despite an accurate diagnosis. One service accounted for a disproportionate number of preventable adverse events (n = 5, [31%, 95% CI 14%-56%]). CONCLUSIONS: Our method of reviewing MET calls was easy to implement and yielded important results. Hospitals maintaining an MET can use our method as a preventable adverse event detection system at little additional cost.
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 | 0,000 | 0,004 |
| 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) | 0,005 | 0,001 |
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 ».