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 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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,003 |
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 ».