Nursing Clinical Instructors’ Perceived Supports and Barriers to Reporting Medication Errors, Near Misses, and Discovered Errors
Notice bibliographique
Résumé
Introduction: Medication administration errors (MAEs) are common in healthcare, and one of the leading causes of harm and death. Not only do these errors lead to a decrease in overall patient safety, but they are also a large financial burden globally. It is essential that nurses report MAEs so that healthcare systems can identify causative factors and implement preventative measures. Purpose: The purpose of this study was to explore clinical instructors’ perceptions of the supports and barriers experienced when prompting student nurses to report medication incidents during clinical rotations. Methods: This study utilized a descriptive, cross-sectional method and convenience sampling to recruit clinical instructors currently employed in a baccalaureate nursing program in Southwestern Ontario. A Qualtrics survey was emailed to all potential participants. Data was analyzed utilizing SPSS software. Results: A total of 28 surveys were completed out of the potential 96 participants, yielding a 29.1% response rate. The average years of experience was 17 years as a registered nurse and 6.5 years as a clinical instructor. A total of 86% of participants stated that they encourage their students to report all types of MAEs 76% - 100% of the time. The strongest supports identified were: “education at clinical meetings help me to understand the reporting system and importance of reporting” and “thank you for reporting email”. The largest barrier identified was “I don’t have the time to encourage reporting because I am busy with other clinical instructor responsibilities”. Conclusion: Due to the small sample size obtained and skewness of the data, further research is recommended. Clinical instructors are essential to the hands-on learning of nursing students. Decreasing the barriers and increasing the supports to reporting is a crucial strategy to decrease the number of MAEs in the future.
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 | 0,005 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».