Exploring variations in patient safety events across equity-deserving populations
Notice bibliographique
Résumé
The objective of this analysis was to examine variations in rates of hospital harm (HH), an important indicator of patient safety events, across population subgroups in Canada. We conducted a descriptive study of HH in provinces and territories using three years (2016 to 2018) of CIHI’s Discharge Abstract Database (DAD) linked to the 2016 Canadian Census, also known as Statistics Canada’s Canadian Census Health and Environment Cohorts (CanCHEC). We investigated the influence of sociodemographic variables not generally available in hospital administrative data. We calculated age-standardized rates (ASR) per 100 hospital discharges and 95% confidence intervals for HH, stratified by sex, income (area and individual), racialized group, education, immigration status, language, disability status, social and material deprivation, and geography (urban vs. rural/remote). Despite males experiencing higher rates of harm (ASR 4.36 vs. 4.23), overall females experienced 54% of all HH events, with an average age of 64 (vs age 49 for those discharged without a HH event). For neighbourhood income quintile, the highest rates of HH were observed in the lowest quintile (4.08, 4.04 – 4.11). The rate of HH decreased as neighbourhood income increased. Patients from rural/remote neighbourhoods had lower rates of HH (3.7, 3.66-3.73) than those living in urban neighbourhoods (4.47, 4.44-4.49). Additional equity-stratified results will be presented. Our analysis revealed that marginalized populations were more likely to experience a harmful event during their hospital stay. Measuring and monitoring inequalities in patient safety provides health systems with information to better understand, target, and evaluate healthcare quality improvement initiatives.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».