Unveiling hidden connections: How social networks impact diversion in hospital emergency departments: An exploratory social network analysis
Notice bibliographique
Résumé
Due to a lack of safeguards, controlled substances (CS) can be diverted (stolen) from healthcare facilities. While it is known that healthcare workers (HCWs) can use their social networks within the medication use process (MUP) to facilitate diversion, the specific connections between HCWs and the MUP tasks most vulnerable to diversion remain poorly understood. Social network analysis (SNA) was used to analyze social connections to identify influential relationships between HCWs and tasks susceptible to diversion.To map the social network structures of MUP tasks vulnerable to CS diversion in two Emergency Departments (EDs), identify influential tasks and HCWs, and report HCW perceptions of in-hospital diversion.This study used a mixed methods approach in the ED of two large hospitals in Toronto, Canada. Previously collected clinical observation data was used to identify tasks at risk of diversion, and cross-sectional surveys were conducted to assess HCW's involvement in the identified vulnerable tasks. A two-mode SNA was conducted to identify connections between HCWs and tasks susceptible to drug diversion.SNA identified a circular structure across both sites, highlighting the network's redundancy and capacity to efficiently disseminate information. Nurses were central to tasks with a higher risk of diversion. Physicians and Pharmacists had limited direct involvement in these tasks. Tasks with frequent interprofessional interactions, such as creating, following, or reviewing orders for non-admitted patients, are vulnerable to diversion due to HCWs acting on decisions made by other professionals without closely scrutinizing the details. No significant differences were observed between sites, suggesting a shared perception of diversion. The SNA results highlight the critical role of network structure in shaping vulnerability to diversion. The similarities across both sites suggest a systemic challenge across ED settings that require targeted interventions. By uncovering critical points of influence, we can better understand how diversion occurs and develop targeted interventions to prevent it.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».