Video Review of Simulated Pediatric Cardiac Arrest to Identify Errors/Latent Safety Threats: A Mixed Methods Study
Notice bibliographique
Résumé
INTRODUCTION: Outcomes from pediatric in-hospital cardiac arrest depend on the treatment provided as well as resuscitation team performance. Our study aimed to identify errors occurring in this clinical context and develop an analytical framework to classify them. This analytical framework provided a better understanding of team performance, leading to improved patient outcomes. METHODS: We analyzed 25 video recordings of pediatric cardiac arrest simulations from the pediatric intensive care unit at the Alberta Children's Hospital. We conducted a qualitative-dominant crossover mixed method analysis to produce a broad understanding of the etiology of errors. Using qualitative framework analysis, we identified and qualitatively described errors and transformed the data coded into quantitative data to determine the frequency of errors. RESULTS: We identified 546 errors/error-related actions and behaviors and 25 near misses. The errors were coded into 21 codes that were organized into 5 main themes. Clinical task-related errors accounted for most errors (41.9%), followed by planning, and executing task-related errors (22.3%), distraction-related errors (18.7%), communication-related errors (10.1%), and knowledge/training-related errors (7%). CONCLUSIONS: This novel analytical framework can robustly identify, classify, and describe the root causes of errors within this complex clinical context. Future validation of this classification of errors and error-related actions and behaviors on larger samples of resuscitations from various contexts will allow for a better understanding of how errors can be mitigated to improve patient outcomes.
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 | 0,018 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,005 |
| 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 | 0,002 |
| 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 ».