Avoiding and fixing medical errors in general practice: prevention strategies reported in the Linnaeus Collaboration's Primary Care International Study of Medical Errors.
Notice bibliographique
Résumé
AIM: To report tactics for avoiding and remedying medical errors observed by general practitioners in New Zealand and five other countries. METHODS: The Primary Care International Study of Medical Errors collected 66 reports of medical errors in New Zealand and 363 reports from general practitioners in Australia, Canada, England, the Netherlands, and the United States. Strategies for avoiding and overcoming errors were grouped by themes, for New Zealand and the five other countries combined. RESULTS: In all New Zealand reports and 336 (92.6%) reports from other countries, doctors offered at least one error prevention idea. The largest category of suggestions was 'more diligence' (New Zealand: 69.7% of reports, other countries: 55.3%). Other strategies were: 'provide care differently' (New Zealand 22.7%, other countries 36.4%); 'improve communication' (19.7% and 17.8% of reports); 'education' (7.8% and 11.0% of reports); and 'more resources' (12.1% and 14.0% of reports). CONCLUSIONS: In general practitioners' medical errors reports, a culture of individual blame is more evident than recognised need for systems design. A minority of reports contained specific, pragmatic suggestions for changing healthcare systems to protect patients' safety. Error reporting systems may be a practical way to generate innovative solutions to potentially harmful problems facing general practice patients.
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 | 0,014 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».