Quality improvement priorities for safer out-of-hours palliative care: Lessons from a mixed-methods analysis of a national incident-reporting database
Notice bibliographique
Résumé
Background: Patients receiving palliative care are often at increased risk of unsafe care with the out-of-hours setting presenting particular challenges. The identification of improved ways of delivering palliative care outside working hours is a priority area for policymakers. Aim: To explore the nature and causes of unsafe care delivered to patients receiving palliative care from primary-care services outside normal working hours. Design: A mixed-methods cross-sectional analysis of patient safety incident reports from the National Reporting and Learning System. We characterised reports, identified by keyword searches, using codes to describe what happened, underlying causes, harm outcome, and severity. Exploratory descriptive and thematic analyses identified factors underpinning unsafe care. Setting/participants: A total of 1072 patient safety incident reports involving patients receiving sub-optimal palliative care via the out-of-hours primary-care services. Results: Incidents included issues with: medications (n = 613); access to timely care (n = 123); information transfer (n = 102), and/or non-medication-related treatment such as pressure ulcer relief or catheter care (n = 102). Almost two-thirds of reports (n = 695) described harm with outcomes such as increased pain, emotional, and psychological distress featuring highly. Commonly identified contributory factors to these incidents were a failure to follow protocol (n = 282), lack of skills/confidence of staff (n = 156), and patients requiring medication delivered via a syringe driver (n = 80). Conclusion: Healthcare systems with primary-care-led models of delivery must examine their practices to determine the prevalence of such safety issues (communication between providers; knowledge of commonly used, and access to, medications and equipment) and utilise improvement methods to achieve improvements in care.
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 | 0,308 | 0,419 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,009 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».