Characteristics and contributing factors of diagnostic error in surgery: analysis of closed medico-legal cases and complaints in Canada
Notice bibliographique
Résumé
Background: Diagnostic errors lead to patient harm; however, most research has been conducted in nonsurgical disciplines. We sought to characterize diagnostic error in the pre-, intra-, and postoperative surgical phases, describe their contributing factors, and quantify their impact related to patient harm. Methods: We performed a retrospective analysis of closed medico-legal cases and complaints using a database representing more than 95% of all Canadian physicians. We included cases if they involved a legal action or complaint that closed between 2014 and 2018 and involved a diagnostic error assigned by peer expert review to a surgeon. Results: We identified 387 surgical cases that involved a diagnostic error. The surgical specialties most often associated with diagnostic error were general surgery (n = 151, 39.0%), gynecology (n = 71, 18.3%), and orthopedic surgery (n = 48, 12.4%), but most surgical specialties were represented. Errors occurred more often in the postoperative phase (n = 171, 44.2%) than in the pre- (n = 127, 32.8%) or intra-operative (n = 120, 31.0%) phases of surgical care. More than 80% of the contributing factors for diagnostic errors were related to providers, with clinical decision-making being the principal contributing factor. Half of the contributing factors were related to the health care team (n = 194, 50.1%), the most common of which was communication breakdown. More than half of patients involved in a surgical diagnostic error experienced at least moderate harm, with 1 in 7 cases resulting in death. Conclusion: In our cohort, diagnostic errors occurred in most surgical disciplines and across all surgical phases of care; contributing factors were commonly attributed to provider clinical decision-making and communication breakdown. Surgical patient safety efforts should include diagnostic errors with a focus on understanding and reducing errors in surgical clinical decision-making and improving communication.
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 | 0,001 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».