Identifying Vulnerabilities for Diversion of Controlled Substances to Inform The Safeguards Needed in Canadian Hospitals to Protect Patients and Healthcare Workers
Notice bibliographique
Résumé
Introduction: Diversion or theft of controlled substances (CS) is a recognized problem affecting healthcare systems globally. Diversion from hospitals can occur through falsifying orders, tampering with medications, and pilfering stock. The impacts of diversion are serious, causing severe harm to patients, healthcare workers, hospitals, and the public. Selecting effective interventions for safeguarding against diversion cannot occur without first having a thorough understanding of how the hospital system is susceptible to diversion. Aims: To establish a detailed understanding of how hospital medication-use processes are vulnerable to CS diversion, characterize the vulnerabilities, and develop a framework to conceptualize how system factors set the stage or shape processes for diversion to take place. Study Design/Approach: Guided by the System’s Engineering Initiative for Patient Safety (SEIPS) Human Factors model, I used a multimethod study design comprised of observations that informed a Healthcare Failure Mode and Effect Analysis (HFMEA) to identify critical failure modes (CFMs) in two Ontario hospitals in the inpatient pharmacy (Study 1), emergency department (ED) (Study 2), and intensive care unit (ICU) (Study 3). The prospective analysis was followed by a framework analysis to build a conceptual framework for diversion. Results: Study 1 demonstrated that CFMs provide detailed descriptions of vulnerabilities which exist in every medication-use process involving CS. Studies 2 and 3 built on these finding and showed that all CFMs stemmed in part from person-related factors (e.g., intentional actions to falsify documentation), but were always also precipitated by technology-, organization-, environment-, or task-related deficits in how healthcare systems are designed and organized. I developed a novel framework based on findings from Studies 1-3 to conceptualize the relationship between system factors and how they interact and coalesce to enable pilfering and/or forgery which leads to diversion-related harms. Conclusion: My thesis findings further our understanding of diversion as a systems issue, whereby vulnerabilities stem from failures not only by individual actions, but in the interaction between processes, technologies, environments, and organization factors. My framework can be used to inform broader efforts to develop guidelines and technological solutions for Canadian hospitals.
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 | 0,008 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».