A SEIPS-Based Analysis to Understand Safety Culture During Postpartum Hemorrhage
Notice bibliographique
Résumé
Background/Objectives: Maternal mortality occurs at alarming rates in the United States. In 2018, there were 17 maternal deaths for every 100,000 births—double that of other high-income countries, including France and Canada. Postpartum hemorrhage (i.e., excessive blood loss during delivery or within the 24 h following) is a leading cause of maternal mortality and is a treatable condition if identified and managed in a timely manner. One aspect of work that impacts patient care during postpartum hemorrhage is the safety culture. The safety culture is the beliefs, values, and norms shared by members of the organization that influence their actions and behaviors. In this study, we use the Systems Engineering Initiative for Patient Safety (SEIPS) model to understand and describe how the sociotechnical system shapes safety culture during postpartum hemorrhage. Methods: We conducted interviews and focus groups with 29 clinicians to describe the work system and the barriers and facilitators during postpartum hemorrhage. Then, we inductively categorized the barriers and facilitators into emergent properties of sociotechnical systems related to safety culture. Results: We identified 45 barriers and 158 facilitators into five emergent properties related to the safety culture (i.e., staffing, communication, organizational management and leadership, organizational processes, and teamwork). The participants identified more positive aspects than negative, suggesting that the safety culture positively influences their actions and behaviors. Conclusions: Our results indicate that safety culture could be improved by redesigning the work system to mitigate barriers related to staffing, communication, organizational management, and teamwork that hinder the safety culture.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».