Utilization of the Seniors Falls Investigation Methodology to Identify System-Wide Causes of Falls in Community-Dwelling Seniors
Notice bibliographique
Résumé
PURPOSE: As a highly heterogeneous group, seniors live in complex environments influenced by multiple physical and social structures that affect their safety. Until now, the major approach to falls research has been person centered. However, in industrial settings, the individuals involved in an accident are seen as the inheritors of system defects. The objective of the present study was to investigate safety deficiencies that contributed to falls in community-dwelling seniors using a systems approach. DESIGN AND METHODS: The investigations were conducted using the Seniors Falls Investigation Methodology (SFIM), an adapted version of a method used to examine transportation accidents, such as airplane crashes. Fifteen seniors, who experienced a fall or near fall, participated in multiple case studies. A cross-case synthesis was used to summarize findings and identify common patterns of causes and safety deficiencies. RESULTS: Falls and near falls are a result of latent unsafe conditions, and unsafe acts and decisions combined in a diverse set of circumstances. If not identified and removed, these unsafe conditions can cause falls for other seniors. IMPLICATIONS: This study provided compelling evidence that causes of falling are systemic and develop over time. It demonstrated that the systems approach is needed to expand the focus from the individual to multilayered organizational and supervisory causes. The SFIM demonstrated capability to identify causes of falls that will allow better prevention and management programs, hence advancing seniors' safety. SFIM shows great potential for implementation in organized settings, such as hospitals and long-term care homes.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».