Applying Failure Mode Effects Analysis (FMEA) to Improve Choking Risk Prevention in a Mental Health Setting: Analysis Outcomes and Lessons Learned on Human Factors Collaboration
Notice bibliographique
Résumé
This paper describes the collaborative work performed as part of a patient safety and quality improvement choking risk prevention initiative in a specialty mental health hospital in Ontario, Canada. In 2021, Ontario Shores Centre for Mental Health Sciences (Ontario Shores), in collaboration with the Healthcare Insurance Reciprocal of Canada (HIROC), conducted a Failure Modes and Effects Analysis (FMEA) to identify potential failure modes for their choking risk prevention process. “Failure modes” refer to states in a process that have the potential for unintended consequences. The interdisciplinary project team developed and validated a current-state process map, through which identified all opportunities for process improvement. A thematic analysis of the barriers revealed 14 distinct failure modes, each of which were rated along three scales (Severity, Occurrence, and Detectability) to form a ranked list based on Risk Priority Number. As part of a prospective analysis, several system-based and people-based mitigations were generated for each of the failure modes. As a result of the FMEA, Ontario Shores developed, and is in the process of, implementing a choking risk prevention and risk mitigation strategies action plan. In addition, the authors offer some reflections on the collaborative work between the two organizations, in recognition of the opportunity for healthcare organizations to benefit from human factors expertise and principles of applied safety science, usability engineering, and user-centered design.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».