A balanced approach to using organizational patient safety incident data for research
Notice bibliographique
Résumé
Reported patient safety incidents offer high-value perspectives on safety threats but can be an untapped source of learning due to their sensitive nature and the presence of potential data protected under Quality Assurance (QA) legislations. There are no published guidelines for leaders to enable ethical use of data protected under QA legislation in reported patient safety incidents within the Canadian context. Liberating this data requires understanding the appropriate purposes for use, which draws on ethical and privacy-related considerations. We describe the approach followed to balance the duty to protect relevant privacy interests with the moral obligation to conduct research, and the proactive prevention of patient harm at our Canadian multi-site academic health sciences centre. Overall, we developed guidelines and discovered leaders must commit to establishing connections between organizational governance, legal structures, and privacy experts to support research enabling learning from patient safety incidents.
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 | 0,651 | 0,483 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,022 | 0,014 |
| Études des sciences et des technologies | 0,025 | 0,047 |
| Communication savante | 0,045 | 0,034 |
| Science ouverte | 0,011 | 0,047 |
| Intégrité de la recherche | 0,011 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».