What happens between visits? Adverse and potential adverse events among a low-income, urban, ambulatory population with diabetes
Notice bibliographique
Résumé
BACKGROUND: Little is known about adverse events (AEs) that occur between physician visits for ambulatory chronic disease patients. An automated telephone self-management support programme for a diverse population of diabetes patients was implemented to capture AEs, describe the self-management domains from which they emanate and explore contributing causes. METHODS: AEs and potential AEs (PotAEs) were identified among 111 ethnically diverse diabetes patients. An AE is an injury that results from either medical management or patient self-management; a PotAE is an unsafe state likely to lead to an event if it persists without intervention. Medical record reviews were conducted to ascertain which self-management domain was involved with the event and to explore contributing causes. RESULTS: Among the 111 patients, 86% had at least one event detected over the 9-month observation period. 111 AEs and 153 PotAEs were identified. For all events, medication management was the most common domain (166 events, 63%). Only 20% of events reflected a single contributing cause; in the remaining 80%, a combination of system, clinician and patient factors contributed to their occurrence. Patient actions were implicated in 205 (77%) events, systems issues in 183 (69%) events and inadequate physician-patient communication in 155 (59%) events. Aside from communication, primary care clinician actions contributed to the occurrence of the event in only 16 cases (6%). CONCLUSIONS: Our findings reveal a complex safety ecology, with multiple contributing causes for AEs and PotAEs among ambulatory diabetes patients. Moreover, patients themselves seem to be key drivers of safety and of AEs, suggesting that patient-level self-management support and patient-centred communication are critical to AE prevention.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».