Applying Human Factors Methods to Improve Healthcare Risk Management Tools
Notice bibliographique
Résumé
The Healthcare Insurance Reciprocal of Canada (HIROC) is a not-for-profit medical malpractice insurance reciprocal that has a vision of partnering to create the safest healthcare system. Each year, patients die from preventable patient safety incidents in Canada. A proactive focus on risk management and embedding safety into healthcare systems is key to improving patient safety. HIROC conducted semi-structured interviews to help identify usability areas of interest for two primary risk management tools: The Risk Assessment Checklist and the Risk Register. A total of 16 participants from HIROC Subscribers, all with experience in risk management, quality improvement or patient safety, volunteered to partake in the semi-structured interviews. A thematic analysis of the data collected informed usability improvements. For the Risk Assessment Checklist, participants indicated that the tool is informative as it helps create risk management awareness across their organizations. Participants found the Risk Assessment Checklist interface easy to use and are pleased that submitting their self-assessments is a streamlined process. For the Risk Register, participants reported that the tool is simple and easy to use. Specifically, they find value in having an electronic system that keeps them organized and provides a way for them to track and trend their progress. Participants identified some usability concerns that the research team addressed with proposed design reflections informed by Jakob’s Ten Usability Heuristics (Nielsen, 1994).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».