Safety Audits in the Emergency Department
Notice bibliographique
Résumé
Objectives This study aims to better understand factors that impact management of patients with diabetic ketoacidosis (DKA) in the pediatric emergency department (ED) by novel application of the threat-and-error model, commonly used in the aviation industry. Methods This study was a retrospective chart review of all patients diagnosed with DKA and managed in our pediatric ED during a 1-year period. A “flight plan” was created for each patient's ED visit, from triage to final disposition. Each flight was analyzed with the goal of identifying threats and errors that may impact patients' clinical status or management. Particular focus was placed on physicians' adherence to hospital and provincial DKA protocols. Unintended patient states or outcomes were also noted. Results A total of 46 patient flights were outlined and analyzed. A total of 146 threats were identified, affecting 43 (93%) patient flights. No flight was error-free. Errors in communication and lack of adherence to protocol were the most common types of errors. Unintended patient states occurred in 30 cases (65%), some of which were preceded by at least 1 error. There were no cases of cerebral edema or death. Conclusions It is important to identify and appropriately mitigate threats and errors that commonly occur during initial management of DKA in the ED to prevent unintended states and patient morbidity. This study demonstrates the threat-and-error model as a potentially useful tool for focusing quality improvement initiatives in the pediatric ED setting.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,005 | 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 ».