A Safety Huddle Intervention in In-Patient Surgical Units: A Mixed-Methods Study
Notice bibliographique
Résumé
Open communication about patient safety concerns is necessary to enable a learning environment where lessons can be learned to improve patient safety, but nurses often hesitate to speak up even in situations where their patients may be at risk. One way to create a safe environment for speaking up is through the use of unit-level daily huddles. This study aimed to assess the effects of a 12-week huddle intervention on nine unit, nurse and patient care outcomes and describe nurses’ experiences with the intervention. We used a single group, pre- and post-test mixed-methods design, with a dominant quantitative thread, and a final sample of 89 staff nurses. The intervention was conducted in four surgical units in a tertiary teaching hospital in Seoul, Korea. The intervention included two educational workshops for huddle leaders, two workshops for staff nurses, and 12-week huddles with coaching visits. We collected quantitative data on nine outcomes using online surveys before and after the intervention and qualitative data on nurse experiences of the intervention after the intervention. Paired t-tests were used for quantitative data analysis, and content analysis was used for qualitative data. We examined four unit-level outcomes (organizational learning, situation monitoring, mutual support, and speaking-up climate), three nurse-level outcomes (promotive and prohibitive voice behaviors and job satisfaction), and two patient care outcomes (patient safety and quality of care). Significant improvements were found in six of the nine outcomes. Findings from the qualitative data confirmed the benefits of the intervention but also identified challenges to huddle participation. Patient safety huddles can contribute to a learning environment by flattening hierarchies and encouraging nurses to speak up regarding safety issues. Leadership is a key in role modelling and creating the foundation for a more collaborative patient safety culture in healthcare organizations, for example, through the use of daily huddles.
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 | 0,010 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».