An evaluation of incident learning using the taxonomy of the Canadian National System for incident reporting - radiation treatment
Bibliographic record
Abstract
La radiothérapie est une composante essentielle du regime de traitement pour près de deux tiers des patients atteints de cancer, par contre plusieurs risques y sont associés. La connaissance des incidents est une nouvelle initiative d'amélioration de la qualité en radiothérapie adoptee à la suite de son succès dans la reduction de la fréquence des accidents graves dans d'autres industries, y compris l'aviation et l'énergie nucléaire. Cette these décrit le développement d'un système de connaissance des incidents interne intitulé Safety Incident Learning System (SaILS), compatible avec le système national de declaration des accidents et incidents – radiothérapie (SNDAI-RT). Plusieures fonctionnalités ont été incorporées dans SaILS permettant d'optimiser le flux de travaux par rapport aux connaissance d'incidents: des modèles d'incident, l'extraction des données dudossier médical électronique départementale, et des rappels par courier automatique concernant les enquêtes en cours. SaILS a été déployée dan le département de radio-oncologie au Centre du cancer des Cèdres du Centre universitaire de santé McGill (CUSM) en Janvier 2016. Quatre-vingt onze incidents ont été signalés à l'aide du systéme SaILS de Janvier à Juin 2016, dont 75 on été examinées à fond et analysées à l'aide de graphiques de distribution et de tendance d'incidents. Plusieurs rapports d'incident étaient difficiles à classer utilisant l'élément TypeD'événements et le domaine Répercussions de l'accident ou incident de la taxonomie SNDAI-RT. En consequence, il est suggéré d'ajouter un nouveau type d'événement pour des incidents sans préjudice ainsi que de nouveaux éléments de données pour saisir l'impact de l'incident sur l'expérience du patient et du flux des travaux. Une analyse des rapports d'incidents dans SaILS et SNDAI-RT a demontré qu'environ 50% des incidents avaient l'option Autre dans l'élément Type de problème principal. Cette analyse démontre que l'élément Type de problème principal est insufficient pour classer certains types d'incidents relié l'imagerie, la simulation et la documentation. Plusieurs nouveaux choix pour l'élément sont recommandés en consequence. Sails continuera à être utilisé en clinique au CUSM d'apprendre des incidents, et parce que le système est open-source, il est disponible pour un déploiement dans d'autres centres que l'intérêt se pose.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".