Internasjonale anbefalinger om nasjonale melde- og varselordninger for uønskede hendelser i helsetjenesten: et systematisk litteratursøk med sortering
Bibliographic record
Abstract
Hovedbudskap\nFormålet med nasjonale melde- og varselordninger for uønskede hendelser er å bidra til forbedring av helsetjenesten. Ordningene skal fremme læring og forebygging av at nye hendelser oppstår ved å utrede hendelsesforløp, årsaksfaktorer og årsakssammenhenger og å avdekke behov for korrigerende tiltak. Mange land har etablert slike nasjonale melde- og varselordninger, og de er innrettet på ulike måter. Men hva er egentlig beste praksis?\nI dette systematiske litteratursøket med sortering har vi søkt bibliografiske databaser, gjennomgått referanselister og siteringer, og besøkt relevante organisasjoners nettsteder for å kunne gi en enkel oversikt over hva som finnes av internasjonale anbefalinger om hvordan nasjonale melde- og varselordninger bør innrettes.\nVi inkluderte 18 publikasjoner utgitt 2000-2020. I elleve av publikasjonene er anbefalingene utarbeidet med bakgrunn i forhold i et bestemt land (Canada, Danmark, Irland, Norge, Spania, Storbritannia og USA), men antas å ha relevans utover landegrenser. Øvrige syv er adressert til flere land (EU; OECD) eller hele verden.\nDet finnes trolig anbefalinger vårt litteratursøk ikke har identifisert. Med publikasjoner fra blant annet organisasjoner som WHO, EU, OECD og anbefalinger med utgangspunkt i systemer som National Reporting and Learning System i Storbritannia etter femten års drift, mener vi likevel at denne oversikten over internasjonale anbefalinger om nasjonale melde- og varselordninger er et godt utgangspunkt for videre arbeid.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.065 | 0.178 |
| Meta-epidemiology (narrow) | 0.001 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.003 |
| Bibliometrics | 0.009 | 0.015 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.021 | 0.018 |
| Open science | 0.004 | 0.009 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.051 | 0.018 |
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 source (direct Gemma or distilled Codex), 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".