Patient Safety Challenges in the Pandemic: Applying Human Factors Principles to Embed Patient Safety and Experience at the Clinical Front Line
Notice bibliographique
Résumé
The COVID-19 pandemic has amplified systemic gaps in patient safety, including social frailty for vulnerable populations such as older adults (Briguglio et al., 2020). Public health measures, such as prolonged and frequent lockdowns, restricted access to visitors and support networks and in extreme cases led to confinement within a single room, The negative impact of these restrictions has focused new attention on social frailty, which has hitherto been a somewhat neglected patient safety issue. Since social frailty is a multifaceted construct, it needs to be considered in a variety of settings and from a range of disciplinary perspectives. This practitioner-led panel consisting of an internist, a human factors engineer, an occupational therapist, and an implementation scientist, examines the impact of the pandemic on social interaction, and social frailty amongst older people in three different settings (hospital, long term care home, community). Through a set of case studies, the panelists provided applied experiences and perspectives on the impact of the pandemic on patient safety and on social frailty in particular. The panel covered theory, and real-world application of human factors principles. The question of how to design safety into the healthcare system were also explored. In this paper we review the problem of social frailty, list some brief case studies and discuss possible intervention strategies.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».