Beliefs and perceptions of patient safety event reporting in a Canadian Emergency Department: a qualitative study
Notice bibliographique
Résumé
OBJECTIVES: Patient safety events (PSEs) are unwanted or unexpected events that occur during medical care. High cognitive loads and frequent interruptions make emergency departments (EDs) uniquely error prone environments. Yet, frontline clinicians rarely report PSEs using incident reporting systems. The incidence, severity, and preventability of PSEs thus remain poorly understood, and contributing factors are understudied. We sought to understand ED staff beliefs and perceptions about their PSE reporting system and what features they believe are important in such a system. METHODS: We conducted a qualitative study among healthcare providers working in the ED and departmental leadership. We recruited participants via email and held a series of interviews, focus groups, and participatory workshops. We iteratively analyzed the data using the constant comparative method and used thematic analysis to establish themes. RESULTS: 50 participants attended at least one focus group, interview, or workshop. Participants perceived that PSE reporting through formal channels in the ED was challenging. Clinicians had an inherent desire to report PSEs and do so through numerous informal channels, yet underreported in formal reporting systems. The current PSE reporting system did not meet frontline staff needs and was viewed as ineffective in improving care quality and safety. We identified three key features for an improved PSE reporting system: (1) clear definitions; (2) transparency; and (3) simplicity. CONCLUSIONS: In this study, we have identified ideal features for PSE reporting processes to meet the needs of both frontline staff and departmental leadership based on perceptions of current PSE reporting practices. Improved PSE reporting processes have the potential to increase PSE reporting in the ED overall, increasing the availability of information about PSEs to support quality improvement and improve patient safety.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,018 | 0,008 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».