Learning from near misses: from quick fixes to closing off the Swiss-cheese holes: Table 1
Notice bibliographique
Résumé
INTRODUCTION: The extent to which individuals in healthcare use near misses as learning opportunities remains poorly understood. Thus, an exploratory study was conducted to gain insight into the nature of, and contributing factors to, organisational learning from near misses in clinical practice. METHODS: A constructivist grounded theory approach was employed which included semi-structured interviews with 24 participants (16 clinicians and 8 administrators) from a large teaching hospital in Canada. RESULTS: This study revealed three scenarios for the responses to near misses, the most common involved 'doing a quick fix' where clinicians recognised and corrected an error with no further action. The second scenario consisted of reporting near misses but not hearing back from management, which some participants characterised as 'going into a black hole'. The third scenario was 'closing off the Swiss-cheese holes', in which a reported near miss generated corrective action at an organisational level. Explanations for 'doing a quick fix' included the pervasiveness of near misses that cause no harm and fear associated with reporting the near miss. 'Going into a black hole' reflected managers' focus on operational duties and events that harmed patients. 'Closing off the Swiss-cheese holes' occurred when managers perceived substantial potential for harm and preventability. Where learning was perceived to occur, leaders played a pivotal role in encouraging near-miss reporting. CONCLUSION: To optimise learning, organisations will need to determine which near misses are appropriate to be responded to as 'quick fixes' and which ones require further action at the unit and corporate levels.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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) | 0,002 | 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; les deux têtes enseignantes 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 ».