Feasibility of prospective error reporting in home palliative care: A mixed methods study
Notice bibliographique
Résumé
BACKGROUND: Prospectively tracking errors can improve patient safety but little is known about how to successfully implement error reporting in a home-based palliative care context. AIM: Explore the feasibility of implementing an error reporting system in a home-based palliative care program in Toronto, Canada, and describe the possible factors that may influence uptake. DESIGN: A convergent mixed-methods approach was used. Participants prospectively documented errors using a novel reporting tool and completed monthly surveys. Following the reporting period, we conducted a semi-structured interview exploring participants' experiences and perceived factors influencing reporting behaviors. Error, survey, and interview data were analyzed separately, then integrated for comparison. SETTING AND PARTICIPANTS: Thirteen palliative care physicians from a single home-based palliative care organization in Toronto, Canada anonymously reported errors between October 2021 and September 2022. Of these, six participated in the exit interview. RESULTS: = 65) involved internal staff or systems. Three themes describe the factors impacting the likelihood of reporting errors: (1) High levels of cognitive burden decreases the likelihood of error reporting; (2) Framing errors as opportunities to learn rather than reason for punishment improves likelihood of error reporting; (3) Knowing that error data will improve patient safety motivates individuals to report errors. CONCLUSIONS: Physicians are amenable to error reporting activities so long as data is used to improve patient safety. The collaborative nature of care in a home-based palliative care context may present unique challenges to translating error reporting to improved patient safety.
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 | 0,007 | 0,015 |
| 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 ».