MétaCan
Menu
Retour à la cohorte
Enregistrement W3110161756 · doi:10.1071/ah20083

Nature and outcomes of sanctioned medical misconduct in six international jurisdictions: a case series

2020· article· en· W3110161756 sur OpenAlexaboutno aff
Nicole Grant, Safire Valentine, James Majer, David Taylor

Notice bibliographique

RevueAustralian Health Review · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Malpractice and Liability Issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineMisconductFamily medicineTribunalPublic healthHealth careSexual misconductPsychiatryNursingLawPsychologyCriminologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Objective The aim of this study was to determine the types of medical misconduct, the practitioner, specialities and jurisdictions at risk, patient outcomes and the sanctions imposed. Methods This study was a retrospective case series of 822 adverse medical tribunal determinations in Australia, New Zealand, Canada (Ontario, Alberta), Pennsylvania (USA), Singapore and Hong Kong in 2013-17. Results Inappropriate medical care and illegal or unethical prescribing were the most common types of misconduct. Misconduct varied with practitioner sex, international medical graduate status, speciality and jurisdiction (P<0.05). Cases of inappropriate medical care were more common in Singapore (46.7% of all Singapore cases; 95% confidence interval (CI) 31.9-62.0) and among surgeons (47.6% of all surgeon cases; 95% CI 36.5-58.8). Illegal or unethical prescribing was more common in Australia (31.1%; 95% CI 24.8-38.2) and among general or family practitioners (26.9%; 95% CI 20.0-35.0). Misconduct not related to patients was more common in Pennsylvania (30.3%; 95% CI 25.2-36.0) and among local graduates (20.5%; 95% CI 17.1-24.5). Sexual misconduct was more common in Australia (29.6%; 95% CI 23.4-36.6) and among males (19.6%, 95% CI 16.7-22.8). Healthcare dishonesty was more common in Hong Kong (21.8%; 95% CI 14.0-32.2) and among surgeons (13.4%; 95% CI 7.2-23.2). The most common patient outcomes were patient risk (40.6%; 95% CI 36.1-45.4) and death and actual physical harm combined (31.2%; 95% CI 26.9-35.7). Sanctions were most commonly suspension or deregistration. Deregistration was most common in cases of sexual misconduct. Conclusion Medical misconduct varies widely. Risk factors for particular misconduct types are apparent among jurisdictions and practitioner characteristics. The nature of patient harm varied by type of misconduct, with illegal unethical prescribing commonly leading to drug dependency and sexual misconduct leading to psychiatric injury. What is known about the topic? Medical misconduct is a continuing problem. Tribunals and medical boards sanction misconduct to protect patient safety and public trust. What does this paper add? Tribunals and boards differ in misconduct reporting and permitting public access to determinations. Types of misconduct vary between international jurisdictions, practitioner sex, international graduate status and speciality. Risk and physical injury (including death) are the most common patient outcomes. The nature of patient harm varied by type of misconduct, with illegal unethical prescribing commonly leading to drug dependency and sexual misconduct leading to psychiatric injury. What are the implications for practitioners? Medical colleges should tailor trainee programs to address the common types of misconduct within their specialities. Standardisation of misconduct reporting, and report access, across jurisdictions would facilitate ongoing surveillance and intervention evaluation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,762
Score d'incertitude au seuil0,995

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,147
Tête enseignante GPT0,523
Écart entre enseignants0,376 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreCommentaire

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAustralian Health ReviewMême sujetMedical Malpractice and Liability IssuesTravaux en français237 207