Computer-Based Patient Bias and Misconduct Training Impact on Reports to Incident Learning System
Notice bibliographique
Résumé
OBJECTIVE: To assess the effect of computer-based training (CBT) and leadership communication on incident learning system reports pertaining to institutional policy that targets biased, prejudiced, and racist behaviors of patients and visitors toward health care employees. PATIENTS AND METHODS: Mayo Clinic developed a CBT module and comprehensive communication strategy to educate staff on the Patient and Visitor Conduct Policy. Additional goals were to demonstrate leadership endorsement and support of the policy, teach how to report an incident, and facilitate how policy enforcement might occur. Using descriptive statistics, we compared the reporting data before and after the intervention. RESULTS: Participants were 13,980 employees in 68 clinics and 18 hospitals in the US Midwest. Bias and misconduct incidents entered in the incident reporting system increased 312% (n=140 incidents; preintervention, n=34) in the quarter (ie, 3 months) immediately after intervention. The number of incidents in the next quarter stayed increased (234%; n=114) compared with the preintervention number. Secondary debriefing with employees showed the value of the education and the importance of leadership support at the highest level to facilitate comfort in policy enforcement. CONCLUSION: Institutional policy that targets biased, prejudiced, and racist behaviors of patients toward employees in a health care setting can be augmented with employee education and leadership support to facilitate change. The CBT, paired with a robust communication plan and active leadership endorsement and engagement, resulted in increased reporting of biased, prejudiced, and racist behaviors of patients.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».