Patterns and trends among physicians-in-training named in civil legal cases: a retrospective analysis of Canadian Medical Protective Association data from 1993 to 2017
Notice bibliographique
Résumé
<h3>Background:</h3> Medico-legal data show opportunities to improve safe medical care; little is published on the experience of physicians-in-training with medical malpractice. The purpose of this study was to examine closed civil legal cases involving physicians-in-training over time and provide novel insights on case and physicians characteristics. <h3>Methods:</h3> We conducted a retrospective descriptive study of closed civil legal cases at the Canadian Medical Protective Association (CMPA), a mutual medico-legal defence organization for more than 105 000 physicians, representing an estimated 95% of physicians in Canada. Eligible cases involved at least 1 physician-in-training and were closed between 1993 and 2017 (for time trends) or 2008 and 2017 (for descriptive analyses). We analyzed case rates over time using Poisson regression and the annualized change rate. Descriptive analyses addressed case duration, medico-legal outcome and patient harm. We explored physician specialties and practice characteristics in a subset of cases. <h3>Results:</h3> Over a 25-year period (1993–2017), 4921 physicians-in-training were named in 2951 closed civil legal cases, and case rates decreased significantly (β = −0.04, 95% confidence interval −0.05 to −0.03, where β was the 1-year difference in log case rates). The annualized change rate was −1.1% per year. Between 2008 and 2017, 1901 (4.1%) of 45 967 physicians-in-training were named in 1107 civil legal cases. Cases with physicians-in-training generally involved more severe patient harm than cases without physicians-in-training. In a subgroup with available information (<i>n</i> = 951), surgical specialties were named most often (<i>n</i> = 531, 55.8%). <h3>Interpretation:</h3> The rate of civil legal cases involving physicians-in-training has diminished over time, but more recent cases featured severe patient harm and death. Efforts to promote patient safety may enhance medical care and reduce the frequency and severity of malpractice issues for physicians-in-training.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».