Sources of unsafe primary care for older adults: a mixed-methods analysis of patient safety incident reports
Notice bibliographique
Résumé
Background: older adults are frequent users of primary healthcare services, but are at increased risk of healthcare-related harm in this setting. Objectives: to describe the factors associated with actual or potential harm to patients aged 65 years and older, treated in primary care, to identify action to produce safer care. Design and Setting: a cross-sectional mixed-methods analysis of a national (England and Wales) database of patient safety incident reports from 2005 to 2013. Subjects: 1,591 primary care patient safety incident reports regarding patients aged 65 years and older. Methods: we developed a classification system for the analysis of patient safety incident reports to describe: the incident and preceding chain of incidents; other contributory factors; and patient harm outcome. We combined findings from exploratory descriptive and thematic analyses to identify key sources of unsafe care. Results: the main sources of unsafe care in our weighted sample were due to: medication-related incidents e.g. prescribing, dispensing and administering (n = 486, 31%; 15% serious patient harm); communication-related incidents e.g. incomplete or non-transfer of information across care boundaries (n = 390, 25%; 12% serious patient harm); and clinical decision-making incidents which led to the most serious patient harm outcomes (n = 203, 13%; 41% serious patient harm). Conclusion: priority areas for further research to determine the burden and preventability of unsafe primary care for older adults, include: the timely electronic tools for prescribing, dispensing and administering medication in the community; electronic transfer of information between healthcare settings; and, better clinical decision-making support and guidance.
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 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 | 0,001 | 0,001 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».