Hazard Flagging as a Risk Mitigation Strategy for Violence against Emergency Medical Services
Notice bibliographique
Résumé
Paramedics are increasingly being subjected to violence, creating the potential for significant physical and psychological harm. Where a patient has a history of violent behavior, hazard flags—applied either to the individual, their residential address, or phone number—can alert paramedics to the possibility of violence, potentially reducing the risk of injury. Leveraging a novel violence reporting process embedded in the electronic patient care record, we reviewed violence reports filed over a thirteen-month period since its inception in February 2021 to assess the effectiveness of hazard flagging as a potential risk mitigation strategy. Upon reviewing a report, paramedic supervisors can generate a hazard flag if recurrent violent behavior from the patient is anticipated. In all, 502 violence reports were filed, for which paramedic supervisors generated hazard flags in 20% of cases (n = 99). In general, cases were not flagged either because the incident occurred at a location not amenable to flagging or because the supervisors felt that a hazard flag was not warranted based on the details in the report. Hazard flagging was associated with an increased risk of violence during subsequent paramedic attendance (Odds Ratio [OR] 6.21, p < 0.001). Nevertheless, the process appears to reliably identify persons who may be violent towards paramedics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».