Applying epidemiologic concepts and principles to explore factors associated with error detection by radiotherapy quality assurance processes
Notice bibliographique
Résumé
Background: Incident Learning System (ILS) data are used by radiotherapy (RT) quality assurance (QA) programs for the purpose of improving quality and safety of RT delivery for patients. The objectives of this thesis were: 1) to develop an analytic framework for ILS data analysis that can be used to statistically explore factors that are associated with error detection throughout reported incidents; 2) to apply the analytic framework to identify and assess factors associated with error detection by RT QA processes using a real-world ILS dataset; and 3) to apply the framework in a pre-post study to explore the effect of various changes made to RT delivery on error detection by RT QA processes. Methods: We developed an analytic framework for ILS data analysis that combined relevant incident theory with core concepts and principles of quantitative research that are common to epidemiology. The analyzes utilizing the analytic framework were conducted on an ILS dataset from the Ottawa Hospital Cancer Centre (TOHCC), Ottawa, Canada. The TOHCC ILS dataset contained 4620 characterized incidents reported at the centre from 2007-2017. Epidemiologic methods were used to identify and assess factors that were associated with error detection by specific QA processes throughout the reported incidents. Results: The analytic framework was successfully piloted on the TOHCC dataset. The RT treatment technique, treatment intent and the error domain of origin were identified as factors that were associated with successful error detection by certain RT QA processes. Changes that were made to RT delivery process at TOHCC also appeared to have both positive and negative effects on error detection by certain RT QA processes. Conclusions: We developed and piloted an analytic framework that can be used to statistically analyze ILS data to explore factors associated with error detection by RT QA processes. We have shown that with careful interpretation, this analytic approach can be used to identify factors that may contribute to error detection by redundancy implemented throughout the RT workflow sequence.
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 | 0,051 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 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 ».