Improving Safety Recommendations Before Implementation: A Simulation-Based Event Analysis to Optimize Interventions Designed to Prevent Recurrence of 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
Introduction Pediatric inpatients are at high risk of adverse events (AE). Traditionally, root cause analysis was used to analyze AEs and identify recommendations for change. Simulation-based event analysis (SBEA) is a protocol that systematically reviews AEs by recreating them using in situ simulated patients, to understand clinician decision making, improve error discovery, and, through guided sequential debriefing, recommend interventions for error prevention. Studies suggest that these interventions are rarely tested before dissemination. This study investigates the use of simulation to optimize recommendations generated from SBEA before implementation. Methods Recommendations and interventions developed through SBEA of 2 hospital-based AEs (event A: error of commission; event B: error of detection) were tested using in situ simulation. Each scenario was repeated 8 times. Interventions were modified based on participant feedback until the error stopped occurring and data saturation was reached. Results Data saturation was reached after 6 simulations for both scenarios. For scenario A, a critical error was repeated during the first 2 scenarios using the initial interventions. After modifications, errors were corrected or mitigated in the remaining 6 scenarios. For scenario B, 1 intervention, the nursing checklist, had the highest impact, decreasing average time to error detection to 6 minutes. Based on feedback from participants, changes were made to all but one of the original proposed interventions. Conclusions Even interventions developed through improved analysis techniques, like SBEA, require testing and modification. Simulation optimizes interventions and provides opportunity to assess efficacy in real-life settings with clinicians before widespread implementation.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle