Navigating discriminatory requests and refusals of healthcare workers: A Canadian-based inpatient hospital algorithm
Notice bibliographique
Résumé
BackgroundHealthcare workers are increasingly subject to violence, aggression, and discriminatory requests from patients and families, reflecting broader societal biases within healthcare settings. In response, some institutions have developed policies and decision-making tools to guide leaders in addressing these situations ethically, consistently, and in accordance with human rights obligations.AimThis paper describes the revision of a previously published Caregiver Preference Algorithm to guide healthcare leaders in managing discriminatory patient requests. The goal was to create a more robust, accessible, and contextually sensitive tool to support decision-making.Research designThe algorithm was revised through a multi-phase quality improvement project aimed at enhancing support for both frontline clinicians and leadership.Participants and research contextThe project was conducted at a large, multisite tertiary care hospital in Ontario, Canada. Interviews were completed with 27 healthcare workers from various clinical areas. Stakeholder consultations included clinical and operational leadership, legal counsel, patient relations, equity offices, patient partners, and frontline staff.Ethical considerationsThis project was approved by the University Health Network's Quality Improvement Review Committee [ID: QIRC 22-0378].FindingsThe updated algorithm is structured around six key decision points: (1) patient acuity and capacity; (2) consideration of religious, cultural, or trauma-informed needs; (3) relevance of trainee or learner status; (4) whether the request violates the Human Rights Code; (5) the identity of the requester; and (6) the clinician's willingness to continue care.DiscussionThe revised algorithm integrates legal and ethical principles to help healthcare leaders navigate complex situations. It offers structured guidance while allowing flexibility to respond sensitively to diverse clinical contexts.ConclusionThis work contributes a practical, rights-based framework that can support healthcare institutions in ethically and consistently responding to discriminatory patient requests while protecting healthcare workers.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».