Using Patient Experience Surveys to Identify Potential Diagnostic Safety Breakdowns: A Mixed Methods Study
Notice bibliographique
Résumé
OBJECTIVES: One in 20 outpatients in the United States experiences a diagnostic error each year, but there are no validated methods for collecting feedback from patients on diagnostic safety. We examined patient experience surveys to determine whether patients' free text comments indicated diagnostic breakdowns. Our objective was to evaluate associations between patient-perceived diagnostic breakdowns reported in free text comments and patients' responses to structured survey questions. METHODS: We conducted an exploratory mixed methods study using data from patient experience surveys collected from adult ambulatory care patients March 2020 to June 2020 in a large U.S. health system. Data analysis included content analysis of qualitative data and statistical analysis of quantitative data. RESULTS: In 2525 surveys with negative comments, 619 patients (24.5%) identified diagnostic breakdowns, including issues with accuracy (n = 282, 46%), timeliness (n = 243, 39%), or communication (n = 290, 47%); some patients (n = 181) reported breakdowns in multiple categories. Patients who gave a low average score (50 or less on a 100-point scale) on provider questions were almost seven times more likely to perceive a diagnostic breakdown than patients who scored their provider higher. Similarly, patients who gave a low average score on practice-related questions were twice as likely to perceive a diagnostic breakdown. CONCLUSIONS: Patient feedback in routinely collected patient experience surveys is a valuable and actionable information source on diagnostic breakdowns in the ambulatory setting. The more easily monitored structured survey data provide a screening method to identify encounters that may have included a patient-perceived diagnostic breakdown and therefore require further examination.
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 | 0,004 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».