Leveraging supply chain infrastructure to advance patient safety in community health-care settings
Notice bibliographique
Résumé
Purpose The purpose of this paper is to examine the opportunity for supply chain processes and infrastructure to reduce the risk of medical error and create traceability of adverse events in community care settings. Patient safety has become an important area of focus over the past few decades, with medical error now accounting for the third most common cause of death in Canada and the USA. The majority of patient safety studies to date have focused specifically on safety in hospital settings; however, deaths and harm experienced by patients in the community (home care, long-term care, complex care and rehabilitation settings) are not well understood. Design/methodology/approach This paper discusses the evidence that adverse events occur at similar, if not more, frequent rates in community care settings. Findings The authors propose that above and beyond current efforts to increase awareness and promote a "safety culture" in health-care settings, system infrastructure should be designed in a way that enables clinicians to provide the safest care possible. There is currently no line of sight across the health-care continuum. The authors suggest that improving system infrastructure would reduce the occurrence of adverse events. Originality/value Such visibility across the continuum of care holds the potential to transform health-care in Canada from a fragmented system, where information is inadequately captured and transferred from provider to provider, to a system that provides complete, accurate and up-to-date information regarding patient care, procedures, medications and outcomes so as to provide the best and safest care possible. System visibility achieves quality and safe care, which is transparent and accountable and achieves value for 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 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 | 0,003 | 0,000 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».