Application of “Human Factor Analysis and Classification System” (HFACS) Model to the Prevention of Medical Errors and Adverse Events: A Systematic Review
Notice bibliographique
Résumé
Hospitals, as one of most important subsectors in human societies, are responsible for providing safe and effective medical services to clients. But sometimes these hospitals are the source of injury and death in patients by creating medical errors. In this systematic review study, the application of human factor analysis and classification system (HFACS) method in the classification of medical errors was investigated. Major electronic databases including Scopus, Web of Science, and MEDLINE were searched. All studies that investigated the application of HFACS method for coding, causation, and classification of medical errors and adverse events conducted from 2001 until February 2021 were included. A total of 108 articles were found. Due to duplication, 18 studies were removed from the review list. After reading the titles and abstracts, 50 of these publications were excluded because they had objectives different from this review. The remaining 40 publications were retrieved for further assessment. Of these, 28 publications were excluded because it did not meet the inclusion criteria. Finally, 12 articles remained for the final systematic review. We found that in 65% of the selected studies, preconditions for unsafe acts have been the major causal level of medical errors and adverse events. In the majority of the studies, communication and coordination, adverse mental states, physical environment, crew resource management, and technological environment have also been recognized as the most important causal categories in this study. As a result, to prevent medical errors and adverse events, the main focus should be on controlling the preconditions for unsafe acts including personnel factors, operator conditions, and environmental factors.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».