A 5‐facet framework to describe patient engagement in patient safety
Notice bibliographique
Résumé
BACKGROUND: Health care remains unacceptably error prone. Recently, efforts to address this problem have included the patient and their family as partners with providers in harm prevention. Policymakers and clinicians have created patient safety strategies to encourage patient engagement, yet they have typically not included patient perspectives in their development or been comprehensively evaluated. We do not have a good understanding of "if" and "how" patients want involvement in patient safety during clinical interactions. OBJECTIVE: The objective of this study was to gain insight into patients' perspectives about their knowledge, comfort level and behaviours in promoting their safety while receiving health care in hospital. METHODS: The study design was a descriptive, exploratory qualitative approach to inductively examine how adult patients in a community hospital describe health-care safety and see their role in preventing error. RESULTS: The findings, which included participation of 30 patients and four family members, indicate that although there are shared themes that influence a patient's engagement in safety, beliefs about involvement and actions taken are varied. Five conceptual themes emerged from their narratives: Personal Capacity, Experiential Knowledge, Personal Character, Relationships and Meaning of Safety. DISCUSSION: These results will be used to develop and test a pragmatic, accessible tool to enable providers a way to collaborate with patients for determining their personal level and type of safety involvement. CONCLUSION: The most ethical and responsible approach to health-care safety is to consider every potential way for improvement. This study provides fundamental insights into the complexity of patient engagement in safety.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».