Workplace Violence Prevention: Flagging Practices and Challenges in Hospitals
Notice bibliographique
Résumé
BACKGROUND: Flagging is a standardized way to communicate the risk of patient violence to workers. We add to the limited body of research on flagging by describing hospitals' approaches to and challenges with flagging patients with a history of violent behavior. METHODS: We used a qualitative case study approach of hospitals in Ontario, Canada and their patient flagging practices. Key informants and our advisory committee identified 11 hospitals to invite to participate. Hospitals assisted in recruiting frontline clinical and allied health workers and managers to an interview or focus group. A document analysis of hospitals' flagging policies and related documents was conducted. Thematic analysis was used to analyze interview and focus group data. FINDINGS: = 15). Participants described three challenges: patient stigmatization, patient privacy, and gaps in policy and procedures. CONCLUSION/APPLICATION TO PRACTICE: Flagging patients with a history of violent behavior is one intervention that hospitals use to keep workers safe. While violence prevention was important to study participants, a number of factors can affect implementation of a flagging policy. Study findings suggest that hospital leadership should mitigate patient stigmatization (real and perceived) and perception of patient rights infringement by educating all managers and frontline workers on the purpose of flagging and the relationship between occupational health and safety and privacy regulations. Leadership should also actively involve frontline workers who are the most knowledgeable about how policies work in practice.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,000 |
| 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 ».