Incident reporting systems: a comparative study of two hospital divisions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Previous studies of incident reporting in health care organizations have largely focused on single cases, and have usually attended to earlier stages of reporting. This is a comparative case study of two hospital divisions' use of an incident reporting system, and considers the different stages in the process and the factors that help shape the process. METHOD: The data was comprised of 85 semi-structured interviews of health care practitioners in general internal medicine, obstetrics and neonatology; thematic analysis of the transcribed interviews was undertaken. Inductive and deductive themes are reported. This work is part of a larger qualitative study found elsewhere in the literature. RESULTS: The findings showed that there were major differences between the two divisions in terms of: a) what comprised a typical report (outcome based vs communication and near-miss based); b) how the reports were investigated (individual manager vs interdisciplinary team); c) learning from reporting (interventions having ambiguous linkages to the reporting system vs interventions having clear linkages to reported incidents); and d) feedback (limited feedback vs multiple feedback). CONCLUSIONS: The differences between the two divisions can be explained in terms of: a) the influence of litigation on practice, b) the availability or lack of interprofessional training, and c) the introduction of the reporting system (top-down vs bottom-up approach). A model based on the findings portraying the influences on incident reporting and learning is provided. Implications for practice are addressed.
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.
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 | 0,003 |
| 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 découle