Designing Impactful Human Factors Research Programs in Healthcare
Notice bibliographique
Résumé
Several human factors (HF) research studies conducted by HumanEra, our research team, generated interest from the healthcare community and appeared to have strong impact on clinical practice. We believe these studies demonstrated valuable characteristics that could support HF professionals devise research programs that translate findings into clinical practice more effectively, and thereby improve patient safety. Three characteristics were identified, including 1) sustained project funding from an organization with broad jurisdictional responsibilities so that the research has broader system applicability, 2) the presence of a multidisciplinary advisory group to validate findings and engage key stakeholders to later champion the study findings into the healthcare system and 3) the use of multiple methods that build toward implementation efforts. Our studies have resulted in guidance, and other tools, for stakeholders across the healthcare system, including national regulatory organizations, manufacturers, healthcare institutions, clinical educators, clinicians and patients. They have also spurred major areas of ongoing work and funding for our team. We believe that the tendency for our work to trigger additional studies of this type is because funders recognize that proactive and exploratory risk assessment has tremendous value in preventing or reducing patient harm and associated downstream costs. We hope other teams will be able to utilize our experiences to enhance their research efforts and build the profile of HF in healthcare to further support this work.
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 | 0,378 | 0,296 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,005 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».