Identifying a list of healthcare ‘never events’ to effect system change: a systematic review and narrative synthesis
Notice bibliographique
Résumé
BACKGROUND: Never events (NEs) are patient safety incidents that are preventable and so serious they should never happen. To reduce NEs, several frameworks have been introduced over the past two decades; however, NEs and their harms continue to occur. These frameworks have varying events, terminology and preventability, which hinders collaboration. This systematic review aims to identify the most serious and preventable events for targeted improvement efforts by answering the following questions: Which patient safety events are most frequently classified as never events? Which ones are most commonly described as entirely preventable? METHODS: For this narrative synthesis systematic review we searched Medline, Embase, PsycINFO, Cochrane Central and CINAHL for articles published from 1 January 2001 to 27 October 2021. We included papers of any study design or article type (excluding press releases/announcements) that listed NEs or an existing NE framework. RESULTS: Our analyses included 367 reports identifying 125 unique NEs. Those most frequently reported were surgery on the wrong body part, wrong surgical procedure, unintentionally retained foreign objects and surgery on the wrong patient. Researchers classified 19.4% of NEs as 'wholly preventable'. Those most included in this category were surgery on the wrong body part or patient, wrong surgical procedure, improper administration of a potassium-containing solution and wrong-route administration of medication (excluding chemotherapy). CONCLUSIONS: To improve collaboration and facilitate learning from errors, we need a single list that focuses on the most preventable and serious NEs. Our review shows that surgery on the wrong body part or patient, or the wrong surgical procedure best meet these criteria.
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 | 0,106 | 0,321 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,010 | 0,014 |
| Bibliométrie | 0,032 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,008 | 0,014 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».