The COVID-19 Pandemic and Its Impact on Patient Safety Incidents at a University Hospital: A Retrospective Study
Notice bibliographique
Résumé
Background: The main reason for submitting safety incident reports at medical institutions is to prevent serious medical accidents. Even during novel coronavirus disease 2019 (COVID-19) pandemic, it is necessary to prevent serious medical accidents, so it is important to submit incident reports, analyze contributing factors, and work to prevent recurrence. Methods: We conducted a retrospective study of patient safety incidents reported by the Fukuoka University Hospital in Fukuoka City, Japan, and examined the changes in safety incident reports during the COVID-19 pandemic. Results: The main findings were as follows. First, the number of patient safety incidents reported per 10,000 patients during the pandemic tended to be higher than that of pre-pandemic period, and this trend was considered to be desirable. Second, during the peak of COVID-19 waves and just after the waves, the number of reported incidents decreased. Third, the number of incidents involving drug or blood transfusion and the number of monthly incidents of level 1 or 2 gradually decreased during the COVID-19 pandemic. Conclusions: The COVID-19 pandemic affected the contents and levels of reported incidents. Overall, the number of incident reports increased slightly during the pandemic compared to that before the pandemic, although not significantly, probably because medical staff were well informed and focused. Clin Infect Immun. 2024;9(1):1-10 doi: https://doi.org/10.14740/cii172
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».