High reliability in healthcare: creating the culture and mindset for patient safety
Notice bibliographique
Résumé
Occurrences of patient harm in healthcare represent a significant burden, with serious implications for patients and families and for the capacity of health systems to manage patient access, flow, and wait times. Interest in the science of high reliability, developed originally in industries such as commercial airlines that have demonstrated exceptional safety records, is an emerging trend in healthcare with the potential to help organizations and systems achieve the ultimate goal of zero patient harm. This article argues that zero patient harm is a fundamental imperative, and that high-reliability science can help to accelerate and sustain progress toward this vital goal. Although the practices used in other industries are not readily transferable to healthcare, and no single proven model for High Reliability Organizations in healthcare is yet available, leading organizations are beginning to demonstrate effective healthcare-specific strategies. Experience from Studer Group’s international network of partner organizations is used to illustrate and understand these early efforts. Studer Group’s Evidence-Based Leadership SM framework is applied in diverse healthcare settings to provide a foundation of culture transformation and change management to support high reliability. It offers an approach and resources for moving forward toward the goal of zero patient harm, with concurrent benefits related to the efficient use of our valuable healthcare resources.
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 | 0,055 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,013 | 0,040 |
| Communication savante | 0,016 | 0,010 |
| Science ouverte | 0,002 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».