Nature of Blame in Patient Safety Incident Reports: Mixed Methods Analysis of a National Database
Notice bibliographique
Résumé
PURPOSE: A culture of blame and fear of retribution are recognized barriers to reporting patient safety incidents. The extent of blame attribution in safety incident reports, which may reflect the underlying safety culture of health care systems, is unknown. This study set out to explore the nature of blame in family practice safety incident reports. METHODS: We characterized a random sample of family practice patient safety incident reports from the England and Wales National Reporting and Learning System. Reports were analyzed according to prespecified classification systems to describe the incident type, contributory factors, outcomes, and severity of harm. We developed a taxonomy of blame attribution, and we then used descriptive statistical analyses to identify the proportions of blame types and to explore associations between incident characteristics and one type of blame. RESULTS: Health care professionals making family practice incident reports attributed blame to a person in 45% of cases (n = 975 of 2,148; 95% CI, 43%-47%). In 36% of cases, those who reported the incidents attributed fault to another person, whereas 2% of those reporting acknowledged personal responsibility. Blame was commonly associated with incidents where a complaint was anticipated. CONCLUSIONS: The high frequency of blame in these safety, incident reports may reflect a health care culture that leads to blame and retribution, rather than to identifying areas for learning and improvement, and a failure to appreciate the contribution of system factors in others' behavior. Successful improvement in patient safety through the analysis of incident reports is unlikely without achieving a blame-free culture.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».