Estimating deaths due to medical error: the ongoing controversy and why it matters
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
One important reason for the widespread attention given to the 1999 US Institute of Medicine (IOM) report To Err Is Human 1 lie in its estimate that medical error was to blame for 44 000–98 000 deaths each year in the US hospitals. This striking claim established patient safety as a public concern, strengthened the case for improving the science underlying safety and motivated providers, policymakers, payers and regulators to take safety seriously. Some did express disquiet about the validity of the figures cited,2 including one of the principal investigators of the two studies that provided the data for these estimates.3 A decade and a half later, Makary and Daniel4 attribute an even higher toll to medical error: 251 454 deaths in US hospitals per year, making, they say, medical error the third-leading cause of death in the USA. Unsurprisingly, this claim generated widespread coverage in multiple media channels. It also ignited scientific controversy about the basis of the estimate and the role of mortality as a patient safety indicator (PSI). In this paper, we address this controversy and why it matters. We propose that the new estimate is very likely to be wrong. Not only is it wrong, it risks undermining rather than strengthening the cause of patient safety. Though the paper by Makary and Daniel was widely cited as ‘a study’, it presented no new data nor did it use formal methods to synthesise the data it used from previous studies. The authors simply took the arithmetic average of four estimates since the publication of the IOM report, including one from HealthGrades,5 a for-profit company that markets quality and safety ratings, a report from the US Office of the Inspector General (OIG)6 and two peer-reviewed articles (table 1).7 ,8 The paper did not apply …
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 | 0,008 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 0,001 |
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