A Retrospective Review of Physician-related Patient Complaints from a Tertiary Pediatric Hospital
Notice bibliographique
Résumé
BACKGROUND: Trends in patient concerns can identify systematic problems in health care delivery that may not be detected when addressing individual concerns. It can be difficult identifying trends without using a standardized taxonomy. The study objectives were to describe patient complaints from a tertiary care pediatric hospital and categorize them using a standardized complaint taxonomy. METHODS: Physician-based patient complaints were compiled from April 2011 to May 2014 from a tertiary pediatric hospital. These complaints were coded independently by 2 reviewers using the Reader taxonomy, a published standardized taxonomy. Complaints were placed into 3 domains: clinical, management, and relationships then organized into categories. Inter-rater reliability for domain classification between the 2 reviewers was calculated using Cohen's unweighted κ. RESULTS: Eighty-seven patient complaints were identified, representing approximately 1 per 10,000 physician-patient encounters. Half (48/87) were related to care in the emergency department. When adjusted for volume, pediatric hospital medicine had the highest number of complaints, with 12.1 per 10,000 encounters. The majority of patient complaints, 66% (57/87), were of the clinical domain (κ = 0.61). Sixty percent (52/87) were in the relationship domain (κ = 0.68), and 16% (14/87) were in the management domain (κ = 0.65). CONCLUSIONS: We found a low overall complaint rate. Our results indicate that interventions to improve patient experience should initially be targeted at emergency and hospital medicine on the clinical and relationship domains. The inter-rater reliability of the Reader taxonomy was moderate with implications for processing patient complaints at a hospital level.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».