Building a Resilient Patient Safety Culture: A Large Healthcare Organization’s Approach to Systematically Reviewing Serious Harm Events
Notice bibliographique
Résumé
Across Canada, pressures related to staffing, burnout and funding continue to affect healthcare organizations and systems. These pressures impact the quality of care Canadians receive, most notably access to care. Evidence indicates that patients are more likely to suffer from preventable harm during periods of hospital overcrowding and, indeed, very recent data from the Canadian Institute for Health Information suggest that rates of preventable harm have increased modestly in Canadian hospitals. A key lever that can have a positive impact on patient safety culture and contribute to fewer preventable adverse events at an institutional level is systematic formal case reviews. This article describes a large healthcare organization's approach to systematically reviewing serious harm events. An evaluation of both quantitative and qualitative metrics suggests that Unity Health Toronto's critical incident review process has been effective at building a resilient patient safety culture that stood up to the challenges of the COVID-19 pandemic and continues to have a positive impact on patient safety at Unity Health Toronto.
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 | 0,315 | 0,339 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,012 | 0,006 |
| Études des sciences et des technologies | 0,021 | 0,015 |
| Communication savante | 0,017 | 0,009 |
| Science ouverte | 0,006 | 0,020 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».