The epidemiology of malpractice claims in primary care: a systematic review
Notice bibliographique
Résumé
OBJECTIVES: The aim of this systematic review was to examine the epidemiology of malpractice claims in primary care. DESIGN: A computerised systematic literature search was conducted. Studies were included if they reported original data (≥10 cases) pertinent to malpractice claims, were based in primary care and were published in the English language. Data were synthesised using a narrative approach. SETTING: Primary care. PARTICIPANTS: Malpractice claimants. PRIMARY OUTCOME: Malpractice claim (defined as a written demand for compensation for medical injury). We recorded: medical misadventure cited in claims, missed/delayed diagnoses cited in claims, outcome of claims, prevalence of claims and compensation awarded to claimants. RESULTS: Of the 7152 articles retrieved by electronic search, a total of 34 studies met the inclusion criteria and were included in the narrative analysis. Twenty-eight studies presented data from medical indemnity malpractice claims databases and six studies presented survey data. Fifteen studies were based in the USA, nine in the UK, seven in Australia, one in Canada and two in France. The commonest medical misadventure resulting in claims was failure to or delay in diagnosis, which represented 26-63% of all claims across included studies. Common missed or delayed diagnoses included cancer and myocardial infarction in adults and meningitis in children. Medication error represented the second commonest domain representing 5.6-20% of all claims across included studies. The prevalence of malpractice claims in primary care varied across countries. In the USA and Australia when compared with other clinical disciplines, general practice ranked in the top five specialties accounting for the most claims, representing 7.6-20% of all claims. However, the majority of claims were successfully defended. CONCLUSIONS: This review of malpractice claims in primary care highlights diagnosis and medication error as areas to be prioritised in developing educational strategies and risk management systems.
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 | 0,016 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,019 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».