Ten years of online incident reporting and learning using CPiRLS: implications for improved patient safety
Notice bibliographique
Résumé
BACKGROUND: Safety incident (SI) reporting and learning via incident reporting systems (IRSs) is used to identify areas for patient safety improvement. The chiropractic patient incident reporting and learning system (CPiRLS) is an online IRS that was launched in the UK in 2009 and, from time to time, has been licensed for use by the national members of the European Chiropractors' Union (ECU), members of Chiropractic Australia and a Canada-based research group. The primary aim of this project was to analyse the SIs submitted to CPiRLS over a 10-year period to identify key areas for patient safety improvement. METHOD: All SIs reported to CPiRLS between April 2009 and March 2019 were extracted and analysed. Descriptive statistics were used to describe: (1) the frequency of SI reporting and learning by the chiropractic profession, and (2) the character of reported SIs. Key areas for patient safety improvement were developed following a mixed methods approach. RESULTS: A total of 268 SIs were recorded on the database over the 10-year period, 85% of which originated from the UK. Evidence of learning was documented in 143 (53.4%) SIs. The largest subcategory of SIs related to post-treatment distress or pain (n = 71, 26.5%). Seven key areas for patient improvement were developed including: (1) patient trip/fall, (2) post treatment distress/pain, (3) negative effects during treatment, (4) significant post-treatment effects, (5) syncope, (6) failure to recognize serious pathology, and (7) continuity of care. CONCLUSION: The low number of SIs reported over a 10-year period suggests significant under-reporting, however, an upward trend was identified over the 10-year period. Several key areas for patient safety improvement have been identified for dissemination to the chiropractic profession. Improved reporting practice needs to be facilitated to improve the value and validity of reporting data. CPiRLS is important in identifying key areas for patient safety improvement.
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 | 0,030 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».