Facteurs liés au signalement des évènements indésirables associés aux soins dans un hôpital tunisien
Notice bibliographique
Résumé
INTRODUCTION: We wish to integrate an adverse events reporting system in a Tunisian University Hospital. However, before the implantation of this system, it is important to identify the factors that may influence the reporting, so it is primordial to conduct a study which aims to determine influencing factors of adverse events reporting according to the perception of health care professionals. METHOD: A cross-sectional descriptive study was conducted between July and September 2014, using a questionnaire which was developed in the light of Reason’s works on safety culture (1990; 1997), and the Pffeifer, Manser and Wahner (2010) model of influencing factors of adverse events reporting. This questionnaire was self-administered to 46 physicians, 21 health technicians, 65 nurses and 18 practical nurses working in a Tunisian Hospital. Data analysis was conducted using SPSS. RESULTS: The main obstacles identified were: lack of staff training (78.7%) and lack of precision on the types of events reported (76.7%). However, the three main facilitators are the establishment of a safety culture (88%), the commitment of decision makers in the safety culture (81.3%) and the absence of punishment (78, 7%). CONCLUSION: A policy and managerial consideration of the main factors influencing reporting of adverse events, as well as suggestions from health professionals, is necessary to ensure a good adoption of the reporting system by healthcare institutions in Tunisia.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».