POWER AND DISCLOSURE IN HEALTHCARE: A SCOPING REVİEW OF MEDICAL ERROR RESPONSE ACROSS SYSTEMS
Notice bibliographique
Résumé
Background: Medical errors remain as a troubling cause of preventable harm within healthcare systems. In response, error disclosure has emerged as both an ethical imperative and a quality improvement priority. Despite increasing institutional and legal support for transparency, disclosure practices are often hindered by emotional, organizational, and systemic barriers. Objective: This scoping review consolidates evidence on medical error disclosure and response, with particular attention to strategies that address power dynamics, communication practices, legal protections, organizational culture, and community engagement. Methods: A curated body of peer-reviewed literature from 2000 to 2025 was analyzed using an integrative and interpretive approach. Sources were drawn from medicine, public health, ethics, law, and education, and categorized across ten thematic domains: disclosure and communication; support for healthcare professionals; systematic learning; safety culture; legal and ethical considerations; restorative approaches; surveillance; education; interdisciplinary insights; and community-led models. Results: Findings highlight that effective disclosure is supported by structured frameworks (e.g., CANDOR), legal protections (e.g., apology laws), and organizational policies that promote psychological safety. Emerging innovations include patient-partnered education, virtual training modules, interdisciplinary root cause analysis, and community-informed participatory models. However, gaps remain in sustainability, long-term outcomes, and integration of equity and power-sensitive approaches. Conclusions: Medical error response is evolving from isolated clinician responsibility to an integrated, systems-based practice. Sustainable progress requires alignment of institutional culture, legal reform, emotional support, and patient engagement. By embracing relational, transparent, and justice-oriented frameworks, healthcare systems can transform error disclosure into a meaningful catalyst for healing, accountability, and trust
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 | 0,036 | 0,142 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,025 | 0,027 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».