When We Make Errors and Do Harm: A Narrative Review of Second Victim Syndrome and Implications for Neuro-Ophthalmologists
Notice bibliographique
Résumé
BACKGROUND: In the aftermath of an adverse event, the first priority is to provide care for the patient, known as the first victim . However, the experiences of healthcare professionals (HCPs) involved in these events, known as "second victims", have been largely overlooked. This review aims to consolidate existing knowledge on second victim syndrome (SVS), explore its unique implications for neuro-ophthalmologists, and suggest support strategies to increase awareness and meet the needs of affected colleagues. EVIDENCE ACQUISITION: A comprehensive review of the literature was conducted using PubMed, analyzing peer-reviewed articles and reports on SVS across medical specialties. The review focused on the prevalence, risk factors, outcomes, and strategies for addressing SVS at both the individual and system-wide levels. RESULTS: SVS is alarmingly prevalent among HCPs, with estimates ranging from 10% to 43%, and nearly half of all HCPs are expected to experience SVS at least once in their careers. Although direct evidence is lacking, neuro-ophthalmologists may be particularly vulnerable due to the complexity of their patients, frequent diagnostic challenges, and the risk of poor outcomes. Effective coping strategies include peer support at the institutional level, with an urgent need for healthcare systems to transition toward a "Just Culture" that fosters openness and collective learning. CONCLUSIONS: Neuro-ophthalmologists are likely among several specialty fields suffering in silence following medical errors. To reduce these errors and optimize patient care, we must focus on enhancing support for the physicians involved. Sustainable improvements in healthcare require both targeted clinician support and comprehensive system-level changes to foster resilience and improve quality of care. Key efforts should include formal peer support programs, targeted educational initiatives, and a deliberate shift toward a "Just Culture." These initiatives are essential for fostering clinician resilience, promoting effective recovery, and ultimately improving the broader healthcare system and quality of care.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».