Technology-induced errors: where do they come from and what can we do about them?
Notice bibliographique
Résumé
The introduction of health information technology (HIT) has been associated with a decrease in medical error and this has been one of the main reasons for international efforts at increasing adoption of systems such as electronic health records, computerized physician order entry and clinical decision support systems. However, in recent years there is growing evidence that if not designed and tested properly such HIT can also lead to new categories of errors that were previously unseen in healthcare. These errors are known as technology-induced errors and they typically manifest themselves in the complex interaction between healthcare providers and HIT during real clinical use. In this paper the author explores the concept of technology-induced error in healthcare and discusses a range of strategies for detecting and mitigating such errors. Strategies include creating new organizations whose focus is to reduce technology-induced errors, develop and deploy new ways to detect such errors before systems are released, as well as approaches to reporting such errors after they occur. Other strategies include the development of regulation and policy to reduce such errors. It is argued that a multi-faceted approach to dealing with technology-induced error is needed.
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 | 0,029 | 0,179 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,010 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,018 | 0,036 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,011 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; 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 ».