Characteristics, Predictors and Reasons for Regulatory Body Disciplinary Action in Health Care: A Scoping Review
Notice bibliographique
Résumé
What research has been done to characterize the outcomes of disciplinary action or fitness-to-practice cases for regulated health professionals?To answer this research question, relevant publications were identified in PubMed, Ovid EMBASE, CINAHL via EBSCOhost, and Scopus. Included papers focused on reviews of regulatory body disciplinary action for regulated health professionals.Of 108 papers that were included, 84 studied reasons for discipline, 68 studied penalties applied, and 89 studied characteristics/predictors of discipline. Most were observational studies that used administrative data such as regulatory body discipline cases. Studies were published between 1990–2020, with two-thirds published from 2010–2020. Most research has focused on physicians (64%), nurses (10%), multiple health professionals (8.3%), dentists (6.5%) and pharmacists (5.5%). Most research has originated from the United States (53%), United Kingdom (16%), Australia (9.2%), and Canada (6.5%). Characteristics that were reviewed included: gender, age, years in practice, practice specialty, license type/profession, previous disciplinary action, board certification, and performance on licensing examinations.As most research has focused on physicians and has originated from the United States, more research on other professions and jurisdictions is needed. Lack of standardization in disciplinary processes and definitions used to categorize reasons for discipline is a barrier to comparison across jurisdictions and professions. Future research on characteristics and predictors should be used to improve equity, support practitioners, and decrease disciplinary action.
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 | 0,035 | 0,197 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,022 | 0,031 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».