A prioritization framework for the analysis of near misses in radiation oncology
Notice bibliographique
Résumé
INTRODUCTION: The term near miss implies the aversion of a harm event but often there is a lack of evidence when establishing a link between a failure in process and potential harm. The focus of this study was to use reported incident data to inform a prioritization framework for the triage of near miss events in a radiation therapy program. MATERIALS AND METHODS: Actual and near miss events during the study period were categorized using thematic analysis based on incident types. Near miss were characterized based upon their potential to result in harm to the patient using the concepts of failure modes and Analytic Hierarchy Process (AHP) theory. Near miss events were assessed for occurrence, detection and the potential impact and then assigned a summative normalized score reflecting prioritization recommendations, the normalized 10 point score (NTPS). RESULTS: = 20) were attributed to near misses. 107 total events we analyzed using the framework with a maximum NTPS of 4 achieved across all event types. Of the 47 actual events 100% received a NTPS of 3 or greater. Of the 60 near miss invents 47% received an NTPS less than or equal to 1. Finally 15% of near miss events received a NTPS of 3 or greater. CONCLUSIONS: Near miss events provide a unique opportunity for learning however, can yield a great deal of data potentially limiting the resources for effective incident learning. A FMEA and AHP based prioritization framework for the triage of near miss events, including the likelihood of occurrence, probability of the event to go undetected and the potential impact if the incident did occur, allows for the optimal focus of programmatic resources in the analysis of these events.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| 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 ».