Putting out fires: a qualitative study exploring the use of patient complaints to drive improvement at three academic hospitals
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Recent years have seen increasing calls for more proactive use of patient complaints to develop effective system-wide changes, analogous to the intended functions of incident reporting and root cause analysis (RCA) to improve patient safety. Given recent questions regarding the impact of RCAs on patient safety, we sought to explore the degree to which current patient complaints processes generate solutions to recurring quality problems. DESIGN/SETTING: Qualitative analysis of semistructured interviews with 21 patient relations personnel (PRP), nursing and physician leaders at three teaching hospitals (Toronto, Canada). RESULTS: Challenges to using the patient complaints process to drive hospital-wide improvement included: (1) Complaints often reflect recalcitrant system-wide issues (eg, wait times) or well-known problems which require intensive efforts to address (eg, poor communication). (2) The use of weak change strategies (eg, one-off educational sessions). (3) The handling of complaints by unit managers so they never reach the patient relations office. PRP identified giving patients a voice as their primary goal. Yet their daily work, which they described as 'putting out fires', focused primarily on placating patients in order to resolve complaints as quickly as possible, which may in effect suppress the patient voice. CONCLUSIONS: Using patient complaints to drive improvement faces many of the challenges affecting incident reporting and RCA. The emphasis on 'putting out fires' may further detract from efforts to improve care for future patients. Systemically incorporating patients' voices in clinical operations, as with co-design and other forms of authentic patient engagement, may hold greater promise for meaningful improvements in the patient experience than do RCA-like analyses of patient complaints.
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 | 0,027 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,014 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».