Harnessing system-focused simulation, debriefing and FMEA to inform healthcare blood transfusion safety and policy
Notice bibliographique
Résumé
Introduction Healthcare systems improvement using simulation and debriefing is an increasingly employed, yet underutilized quality improvement tool to enable user-centred design. This approach allows users to experience real-life systems and processes through simulation and then provide feedback on how a system supports them within their role. Understanding this interaction of people and their systems is critical to safe, quality, reliable and efficient care and bridges the gap between how we think a system is working and how it is working. Methods This novel project was collaboratively developed and led by simulation, human factors and patient safety experts and used existing organizational safety data to target further high-risk safety threats surrounding administering, cross-checking and labelling blood products for transfusion. A system-focused simulation-based approach was used to identify system issues for a large healthcare organization’s transfusion policy redesign. A Failure Mode and Effects Analysis (FMEA) was then used to apply a risk score to the findings from the simulation user feedback to inform a large high-risk policy redesign. Results Multiple recommendations were provided to the participating units and policy and procedure redesign teams surrounding environmental issues, standards, interpretation and usability of the policy. Discussion Our collaborative patient safety, simulation and human factors project was successful in proactively identifying both active and latent factors contributing to adverse events and identifying recommendations using FMEA methodology to improve patient safety, including revisions to the physical space within the lab, and the provincial blood transfusion policy and procedure.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».