System Factors Affecting Patient Safety in the OR
Notice bibliographique
Résumé
OBJECTIVE: The objective of this study is to determine the characteristics and frequency of intraoperative safety threats and resilience supports using a human factors measurement tool. BACKGROUND: Human factors analysis can provide insight into how system elements contribute to intraoperative adverse events. Empiric evidence on safety threats and resilience in surgical practice is lacking. METHODS: A cross-sectional study of 24 patients undergoing elective laparoscopic general surgery at a single center in the Netherlands from May to November, 2017 was conducted. Video, audio, and patient physiologic data from all included procedures were obtained through a multichannel synchronized recording device. Trained analysts reviewed the recordings and coded safety threats and resilience supports. The codes were categorized into 1 of 6 categories (person, task, tools and technology, physical environment, organization, and external environment). RESULTS: A median of 14 safety threats [interquartile range (IQR) 11-16] and 12 resilience supports (IQR 11-16) were identified per case. Most safety threat codes (median 9, IQR 7-12) and resilience support codes (median 10, IQR 7-12) were classified in the person category. The organization category contained a median of 2 (IQR 1-2) safety threat codes and 2 (IQR 2-3) resilience support codes per case. The tools and technology category contributed a small number of safety threats (median 1 per case, IQR 0-1), but rarely provided resilience support. CONCLUSIONS: Through a detailed human factors analysis of elective laparoscopic general surgery cases, this study provided a quantitative analysis of the existing safety threats and resilience supports in a modern endoscopic operating room.
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 | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».