Pharmacists’ perceptions of error reporting systems
Notice bibliographique
Résumé
Background Healthcare-related adverse events directly impact patient safety. Effective reporting of adverse events and workplace factors affecting the quality and quantity of reporting has been a recent focus. In Nova Scotia, pharmacists have been required to report quality-related events (QREs), errors, and near misses since 2010 through the Canadian Pharmacy Incident Reporting (CPhIR) database. This study aims to better understand how healthcare professionals who use the CPhIR system feel about their experience with QREs and the QRE reporting process. Methods A total of 1000 registered pharmacists and staff were contacted through the Nova Scotia College of Pharmacists. Five focus group meetings were conducted from May to October 2018, consisting of 17 community pharmacists, pharmacy technicians, and assistants. Analysis Thematic analysis was used to identify and define emerging themes in the transcripts by multiple readers. The Actor-Network Analytical Theory helped draw a web of connections in producing a safety culture that extends beyond the roles at the dispensing counter. Results It was found that participants were committed to minimizing and reporting errors, but using the CPhIR database system is both time-consuming and onerous. Additionally, there was a lack of continuity in communicating the QRE system protocols and compliance protocols for the system. Conclusions Community-based pharmacy culture needs to shift from a compliance-based culture, where error reporting is based on completion and volume, to a just culture that embraces quality and learning from mistakes, a critical element of safe dispensing.
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 | 0,002 | 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 | 0,000 | 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 ».