Building Learning Practices with Self-Empowered Teams for Improving Patient Safety
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Each primary care practice should be viewed as a complex adaptive micro-system with its own unique characteristics. To improve safety, under constraints of limited resources and numerous competing demands, practices need to identify those vulnerabilities that pose the greatest risks and focus efforts on these. The Objective was to develop and test a novel methodology that forms self-empowered learning teams that can prioritise safety problems based on the combination of error frequency and severity of consequences, and then devise feasible interventions. METHODS: A survey instrument was designed and used to elicit, in qualitative terms, staff perceptions of frequency, p, and severity, s, of various types/causes of primary care errors. The qualitative responses were quantified using an algorithm that allowed for risk aversion. Relative hazard rate, h = pxs, was used as the basis for prioritising safety problems in two primary care test practices. RESULTS: Each site identified its own set of priorities with very little overlap. Within each site there was high concordance between priorities identified by physicians, nursing and administrative staff but each site appeared to be unique. Priorities also remained stable with variation in the degree of risk aversiveness assumed in the Hazard calculation. INTERPRETATION AND CONCLUSIONS: The method aided formation of central ‘attractors’ in the form of self-empowered effective learning teams with a common vision to help their complex micro-systems to adapt and thrive. This pro-active type of methodology helps in creating a sustainable safety culture, and has been adapted for other health-care settings and physician training.
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 | 0,003 | 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 | 0,001 |
| 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 ».