Enhancing safety and risk management through an integrated spherical fuzzy approach for managing laboratory errors
Notice bibliographique
Résumé
Hospital hazards and human errors pose a significant and complex problem, with rising incidents and irreversible consequences. Managing laboratory errors and risks is vital due to the presence of chemicals, electrical equipment, and the involvement of students, professors, and staff. The high value of laboratory equipment further underscores the need for robust risk management strategies. To address these challenges, researchers have explored the Failure Mode and Effects Analysis (FMEA) method for risk identification and assessment in healthcare settings. However, recognizing its limitations, this study aims to prioritize and evaluate laboratory errors using an integrated approach that combines the Best-Worst Method (BWM) and Complex Proportional Assessment with a Fuzzy Spherical Environment (CoCoSo-FSE). By applying the BWM, criteria such as severity, detectability, and occurrence probability are weighted to account for the nature of laboratory errors. The CoCoSo-FSE is then employed to evaluate and prioritize 18 identified laboratory errors, reducing uncertainty and enhancing decision-making. The fuzzy spherical set is used to address uncertainties by providing a flexible framework for decision-makers to define membership functions in specific spherical regions, enhancing the representation of knowledge and decision-making information. The proposed approach is compared with other decision-making methods, namely MOORA and COPRAS, demonstrating reliable ranking results. Sensitivity analysis confirms the stability of the approach's ranking when adjusting the flexibility parameter. This integrated approach offers a reliable and robust decision-making technique for managing laboratory errors, providing valuable insights to enhance laboratory safety and risk management for stakeholders, managers, and policymakers.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 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 ».