Humanizing harm: Using a restorative approach to heal and learn from adverse events
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Healthcare is not without risk. Despite two decades of policy focus and improvement efforts, the global incidence of harm remains stubbornly persistent, with estimates suggesting that 10% of hospital patients are affected by adverse events. METHODS: We explore how current investigative responses can compound the harm for all those affected-patients, families, health professionals and organizations-by neglecting to appreciate and respond to the human impacts. We suggest that the risk of compounded harm may be reduced when investigations respond to the need for healing alongside system learning, with the former having been consistently neglected. DISCUSSION: We argue that incident responses must be conceived within a relational as well as a regulatory framework, and that this-a restorative approach-has the potential to radically shift the focus, conduct and outcomes of investigative processes. CONCLUSION: The identification of the preconditions and mechanisms that enable the success of restorative approaches in global health systems and legal contexts is required if their demonstrated potential is to be realized on a larger scale. The policy must be co-created by all those who will be affected by reforms and be guided by restorative principles. PATIENT OR PUBLIC CONTRIBUTION: This viewpoint represents an international collaboration between a clinician academic, safety scientist and harmed patient and family members. The paper incorporates key findings and definitions from New Zealand's restorative response to surgical mesh harm, which was co-designed with patient advocates, academics and clinicians.
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.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle