Nurses' Opinions Regarding Comments from a Patient Safety Culture Evaluation
Notice bibliographique
Résumé
Background: Ensuring a strong patient safety culture is essential for the delivery of high-quality healthcare. In low- and middle-income countries (LMICs), inadequate and unsafe medical care is responsible for nearly 60% of fatalities, many of which are preventable. A positive patient safety culture fosters trust, openness, and performance improvement. Understanding healthcare workers' perceptions of safety practices is a crucial step in enhancing patient safety culture. Methods: This study was conducted using a self-administered online survey among 1000 healthcare professionals in a major general hospital. The Hospital Survey on Patient Safety Culture (HSOPSC) was utilized, assessing 42 items across 12 dimensions of patient safety culture. 700 responses were analyzed. Descriptive statistics, positive response percentages, and multiple linear regression were used for data analysis. Results: Overall, 76.9% of respondents rated the patient safety grade as excellent or very good. The patient safety culture composite score was 74.2%, with strengths in areas like "Teamwork within units" (91.3%) and "Organizational learning" (88.4%). However, areas needing improvement included "Staffing" (49.4%) and "Non-punitive response to errors" (53.1%). A majority of respondents (67.1%) had not reported any safety events in the past year. Female healthcare workers and nurses reported lower perceptions of patient safety compared to male and physician respondents. Additionally, work area/unit influenced perceptions, with emergency and surgery departments having better safety perceptions. Conclusion: The study highlights a generally positive perception of patient safety culture in the hospital, though areas such as staffing and non-punitive responses to errors require improvement. Gender, position, and work area/unit were significant predictors of safety perceptions. These findings emphasize the need for targeted interventions to enhance patient safety culture, with a focus on improving staffing and fostering a non-punitive environment for reporting errors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,091 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».