Error reduction in trauma care: Lessons from an anonymized, national, multicenter mortality reporting system
Notice bibliographique
Résumé
BACKGROUND Twenty years ago, the landmark report To Err Is Human illustrated the importance of system-level solutions, in contrast to person-level interventions, to assure patient safety. Nevertheless, rates of preventable deaths, particularly in trauma care, have not materially changed. The American College of Surgeons Trauma Quality Improvement Program developed a voluntary Mortality Reporting System to better understand the underlying causes of preventable trauma deaths and the strategies used by centers to prevent future deaths. The objective of this work is to describe the factors contributing to potentially preventable deaths after injury and to evaluate the effectiveness of strategies identified by trauma centers to mitigate future harm, as reported in the Mortality Reporting System. METHODS An anonymous structured web-based reporting template based on the Joint Commission on Accreditation of Healthcare Organizations taxonomy was made available to trauma centers participating in the Trauma Quality Improvement Program to allow for reporting of deaths that were potentially preventable. Contributing factors leading to death were evaluated. The effectiveness of mitigating strategies was assessed using a validated framework and mapped to tiers of effectiveness ranging from person-focused to system-oriented interventions. RESULTS Over a 2-year period, 395 deaths were reviewed. Of the mortalities, 33.7% were unanticipated. Errors pertained to management (50.9%), clinical performance (54.7%), and communication (56.2%). Human failures were cited in 61% of cases. Person-focused strategies like education were common (56.0%), while more effective system-based strategies were seldom used. In 7.3% of cases, centers could not identify a specific strategy to prevent future harm. CONCLUSION Most strategies to reduce errors in trauma centers focus on changing the performance of providers rather than system-level interventions such as automation, standardization, and fail-safe approaches. Centers require additional support to develop more effective mitigations that will prevent recurrent errors and patient harm. LEVEL OF EVIDENCE Therapeutic/Care Management, level V.
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 | 0,183 | 0,279 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,005 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».