A novel framework for human factors analysis and classification system for medical errors (HFACS-MES)—A Delphi study and causality analysis
Notice bibliographique
Résumé
The healthcare system (HCS) is one of the most crucial and essential systems for humanity. Currently, supplying the patients' safety and preventing the medical adverse events (MAEs) in HCS is a global issue. Human and organizational factors (HOFs) are the primary causes of MAEs. However, there are limited analytical methods to investigate the role of these factors in medical errors (MEs). The aim of present study was to introduce a new and applicable framework for the causation of MAEs based on the original HFACS. In this descriptive-analytical study, HOFs related to MEs were initially extracted through a comprehensive literature review. Subsequently, a Delphi study was employed to develop a new human factors analysis and classification system for medical errors (HFACS-MEs) framework. To validate this framework in the causation and analysis of MEs, 180 MAEs were analyzed by using HFACS-MEs. The results showed that the new HFACS-MEs model comprised 5 causal levels and 25 causal categories. The most significant changes in HFACS-MEs compared to the original HFACS included adding a fifth causal level, named "extra-organizational issues", adding the causal categories "management of change" (MOC) and "patient safety culture" (PSC) to fourth causal level", adding "patient-related factors (PRF)" and "task elements" to second causal level and finally, appending "situational violations" to first causal level. Causality analyses among categories in the HFACS-MEs framework showed that the new added causal level (extra-organizational issues) have statistically significant relationships with causal factors of lower levels (Φc≤0.41, p-value≤0.038). Other new causal category including MOC, PSC, PRF and situational violations significantly influenced by the causal categories of higher levels and had an statistically significant effect on the lower-level causal categories (Φc>0.2, p-value<0.05). The framework developed in this study serves as a valuable tool in identifying the causes and causal pathways of MAEs, facilitating a comprehensive analysis of the human factors that significantly impact patient safety within HCS.
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 | 0,111 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,015 | 0,007 |
| Études des sciences et des technologies | 0,006 | 0,009 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».