Understanding and measuring workplace violence in healthcare: a Canadian systematic framework to address a global healthcare phenomenon
Notice bibliographique
Résumé
Abstract Background Globally, healthcare institutions have seen a marked rise in workplace violence (WPV), especially since the Covid-19 pandemic began, affecting primarily acute care and emergency departments (EDs). At the University Health Network (UHN) in Toronto, Canada, WPV incidents in EDs jumped 169% from 0.43 to 1.15 events per 1000 visits (p < 0.0001). In response, UHN launched a comprehensive, systems-based quality improvement (QI) project to ameliorate WPV. This study details the development of the project’s design and key takeaways, with a focus on presenting trauma-informed strategies for addressing WPV in healthcare through the lens of health systems innovation. Methods Our multi-intervention QI initiative was guided by the Systems Engineering Initiative for Patient Safety (SEIPS) 3.0 framework. We utilized the SEIPS 101 tools to aid in crafting each QI intervention. Results Using the SEIPS 3.0 framework and SEIPS 101 tools, we gained a comprehensive understanding of organizational processes, patient experiences, and the needs of HCPs and patient-facing staff at UHN. This information allowed us to identify areas for improvement and develop a large-scale QI initiative comprising 12 distinct subprojects to address WPV at UHN. Conclusions Our QI team successfully developed a comprehensive QI project tailored to our organization’s needs. To support healthcare institutions in addressing WPV, we created a 12-step framework designed to assist in developing a systemic QI approach tailored to their unique requirements. This framework offers actionable strategies for addressing WPV in healthcare settings, derived from the successes and challenges encountered during our QI project. By applying a systems-based approach that incorporates trauma-informed strategies and fosters a culture of mutual respect, institutions can develop strategies to minimize WPV and promote a safer work environment for patients, families, staff, and HCPs.
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 | 0,183 | 0,204 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,045 | 0,040 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,006 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,003 |
| 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 ».