First, Do No Harm (Gone Wrong): Total-Scale Analysis of Medical Errors Scientific Literature
Notice bibliographique
Résumé
Objective: Medical errors represent a leading cause of patient morbidity and mortality. The aim of this study was to quantitatively analyze the existing scientific literature on medical errors in order to gain new insights in this important medical research area. Study Design: Web of Science (WoS) database was used to identify relevant publications, and bibliometric analysis was performed to quantitatively analyze the identified papers for prevailing research themes, contributing journals, institutions, countries, authors, and citation performance. Results: In total, 12,415 publications concerning medical errors were identified and quantitatively analyzed. The overall ratio of original research articles to reviews was 8.1:1, and temporal subset analysis revealed that the share of original research papers has been increasing over time. The United States contributed to nearly half (46.4%) of the total publications, and 8 of the top 10 most productive institutions were from the United States, with the remaining 2 located in Canada and the United Kingdom. Prevailing (frequently mentioned) and highly impactful (frequently cited) themes were: errors related to drugs/medications, applications related to medicinal information technology, errors related to critical/intensive care units, to children, and to mental conditions associated with medical errors (burnout, depression). Conclusions: The high prevalence of medical errors revealed from the existing literature indicates the high importance of future work invested in preventive approaches. Digital health technology applications are perceived to be of great promise to counteract medical errors, and further effort should be focused to study their optimal implementation in all medical areas, with special emphasis on critical areas such as intensive care and pediatric units.
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 | 0,019 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,049 | 0,044 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,005 |
| 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 ».