“Multivariate analysis of the impact of sleep and working hours on medical errors: a MICE approach"
Notice bibliographique
Résumé
BACKGROUND: The main objective of this study was to describe the relationship between working conditions, sleep and psycho-affective variables and medical errors. METHODS: This was an observational, analytical and cross-sectional study in which 661 medical residents answered questionnaires about working conditions, sleep and psycho-affective variables. Actigraphic sleep parameters and peripheral temperature circadian rhythm were measured in a subgroup of 38 subjects. Bivariate and multivariate predictors of medical errors were assessed. RESULTS: Medical residents reported working 66.2 ± 21.9 weekly hours. The longest continuous shift was of 28.4 ± 10.9 h. They reported sleeping 6.1 ± 1.6 h per day, with a sleep debt of 94 ± 129 min in workdays. A high percentage of them reported symptoms related to psycho-affective disorders. The longest continuous shift duration (OR = 1.03 [95% CI, 1.00-1.05], p = 0.01), working more than six monthly on-call shifts (OR = 1.87 [95% CI, 1.16-3.02], p = 0.01) and sleeping less than six hours per working day (OR = 1.66 [95% CI, 1.10-2.51], p = 0.02) were independently associated with self-reported medical errors. The report of medical errors was associated with an increase in the percentage of diurnal sleep (2.2% [95% CI, 0.1-4.3] vs 14.5% [95% CI, 5.9-23.0]; p = 0.01) in the actigraphic recording. CONCLUSIONS: Medical residents have a high working hour load that affect their sleep opportunities, circadian rhythms and psycho-affective health, which are also related to the report of medical errors. These results highlight the importance of implementing multidimensional strategies to improve medical trainees' sleep and wellbeing, increasing in turn their own and patients' 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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».