Managing Missing Data in the Hospital Survey on Patient Safety Culture: A Simulation Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Case-wise analysis is advocated for the Hospital Survey on Patient Safety culture (HSOPS). OBJECTIVES: Through a computer-intensive simulation study, we aimed to evaluate the accuracy of various imputation methods in managing missing data in the HSOPS. METHODS: Using the original data from a cross-sectional survey of 5064 employees at a single university hospital in France, we produced simulation data on two levels. First, we resampled 1000 completed data based on the original 3045 complete responses using a bootstrap procedure. Second, missing values were simulated in these 1000 completed case data for comparison purposes, using eight different missing data scenarios. Third, missing values were imputed using five different imputation methods (1, random imputation; 2, item mean; 3, individual mean; 4, multiple imputation, and 5, sparse nonnegative matrix factorization. The performance for each imputation method was assessed using the root mean square error and dimension score bias. RESULTS: The five imputation methods yielded close root mean square errors, with an advantage for the multiple imputation. The bias differences were greater regarding the dimension scores, with a clear advantage for multiple imputation. The worst performance was achieved by the mean imputation methods. DISCUSSION AND CONCLUSIONS: We recommend the use of multiple imputation to handle missing data in HSOPS-based surveys, whereas mean imputation methods should be avoided. Overall, these results suggest the possibility of optimizing the HSOPS instrument, which should be reduced without loss of overall information.
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.
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 | 0,003 |
| 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 | 0,000 | 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 découle