Patient safety climate strength: a concept that requires more attention
Notice bibliographique
Résumé
BACKGROUND: When patient safety climate (PSC) surveys are used in healthcare, reporting typically focuses on PSC level (mean or per cent positive scores). This paper explores how an additional focus on PSC strength can enhance the utility of PSC survey data. SETTING AND PARTICIPANTS: 442 care providers from 24 emergency departments (EDs) across Canada. METHODS: We use anonymised data from the Can-PSCS PSC instrument collected in 2011 as part of the Qmentum accreditation programme. We examine differences in climate strength across EDs using the Rwg(j) and intraclass correlation coefficients measures of inter-rater agreement. RESULTS: Across the six survey dimensions, median Rwg(j) was sufficiently high to support shared climate perceptions (0.64-0.83), but varied widely across the 24 ED units. We provide an illustrative example showing vastly different climate strength (Rwg(j) range=0.17-0.86) for units with an equivalent level of PSC (eg, climate mean score=3). CONCLUSIONS: Most PSC survey results focus solely on climate level. To facilitate improvement in PSC, we advocate a simple, holistic safety climate profile including three metrics: climate level (using mean or per cent positive climate scores), climate strength (using the Rwg(j), or SD as a proxy) and the shape of the distribution (using histograms to see the distribution of scores within units). In PSC research, we advocate paying attention to climate strength as an important variable in its own right. Focusing on PSC level and strength can further understanding of the extent to which PSC is a key variable in the domain of patient safety.
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 | 0,003 | 0,038 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».