Sommaire de l’article
Une excursion de température survient en toute fin de fermentation sur un bioréacteur. L'opérateur de quart au moment de l'alarme est identifié, son geste est reconstitué minute par minute, une action de formation est signée — et l'investigation s'arrête là. Personne ne demande pourquoi une dérive d'oxygène dissous, visible dans les données de procédé cent heures plus tôt, n'a déclenché aucune alerte, ni si la même dérive silencieuse existe sur les trois autres lots produits cette semaine-là.
L'hypothèse de recherche du sous-sujet 6.2 est la suivante : une investigation scientifiquement défendable obtient une couverture causale plus large et plus actionnable lorsqu'elle examine les facteurs personnels, de tâche, technologiques, de procédé, environnementaux, organisationnels et externes en interaction, plutôt que de s'arrêter au symptôme terminal ou au dernier geste individuel.
L'hypothèse est conditionnellement soutenue pour la couverture causale et l'orientation de l'investigation ; elle n'est pas établie pour la réduction de récurrence en fabrication pharmaceutique GMP. La preuve converge mais reste hétérogène : les revues de santé et les études d'incidents 2026 documentent directement la pratique d'investigation ; les revues de fabrication décrivent des méthodes de RCA pilotées par la donnée ; une étude de bioréacteur 2024 démontre une analyse de déviation CPP/CQA alignée dans le temps, mais sur des données simulées — elle ne constitue donc pas une validation GMP prospective.
| Sous-sujet | Objet d'analyse principal | Exclu de 6.2 |
|---|---|---|
| 6.2 — Frontière causale | Déterminer où l'investigation doit chercher avant de classer une cause | Qualité de l'explication rédigée, preuve formelle de cause à décision, clôture de l'incertitude |
| 6.3 | Comment l'explication causale est rédigée et rendue défendable scientifiquement | La définition du périmètre de recherche comme sujet principal |
| 6.4 | Comment la cause devient un chemin de décision prouvé | La collecte initiale de preuve multi-niveaux |
| 6.5 | Comment l'incertitude et le dossier sont clos | L'architecture d'investigation elle-même |
Partie 1 — Élargir le périmètre causal au-delà de l'acteur visible
Un symptôme est en général l'état terminal le plus observable d'une chaîne d'interactions plus longue. L'investigation échoue lorsque la frontière de preuve est fixée par la visibilité plutôt que par la pertinence causale.
Le « What You See Is All There Is » de Kahneman décrit la tendance à construire un récit cohérent à partir de l'information disponible, en sous-pondérant l'information manquante. Dans une investigation, cela se traduit directement par une clôture prématurée autour de la déviation visible, du geste de l'opérateur ou de la défaillance terminale (Thinking, Fast and Slow, p. 85–88).
Sur 300 investigations menées par 56 services de santé australiens, 47 % des classifications de facteurs contributifs se concentrent sur la personne ; la plupart des recommandations restent moyennes ou faibles, et 10 % des rapports ne contiennent ni facteur contributif ni recommandation. Le placement hiérarchique des facteurs dans cette étude montre une recherche causale concentrée près des personnes et des tâches plutôt que distribuée sur l'ensemble du système sociotechnique. Cette même étude documente que 57 % des rapports reconstruisent toutes les scènes pertinentes, 48 % explorent le « pourquoi » de façon approfondie, 22 % citent la littérature scientifique, moins de 1 % observent directement le travail réel (« work-as-done »), et 45 % seulement produisent des recommandations qui adressent directement les facteurs contributifs identifiés.
La revue systématique mixte de Lawton et al. a identifié 95 articles représentant 83 études et en a extrait 1 676 facteurs contributifs répartis en 20 domaines. Malgré la disponibilité de cadres systémiques, la littérature identifie le plus fréquemment les défaillances actives, les facteurs individuels, la communication, l'équipement/les fournitures et le personnel. La revue soutient donc deux propositions simultanément : le champ causal est multi-niveaux, et la pratique d'investigation empirique reste biaisée vers les facteurs proximaux et visibles.
Partie 2 — Changer l'architecture d'investigation, pas seulement le vocabulaire
Qualifier une investigation de « systémique » ne garantit pas une preuve de niveau système. La méthode de collecte, la composition de l'équipe, le schéma de classification et la logique de recommandation déterminent si l'investigation dépasse réellement l'attribution au symptôme.
Le chapitre « The problem of extreme complexity » de Gawande présente la défaillance évitable comme un problème de coordination dans des systèmes où aucun acteur seul ne détient toute la connaissance pertinente (The Checklist Manifesto, p. 15–31). Appliqué à la conception d'investigation, l'implication est procédurale : construire un mécanisme reproductible qui impose la récupération de preuves dispersées et la contestation interdisciplinaire.
Challinor et al., Journal of Evaluation in Clinical Practice, 2026 — sous licence CC BY 4.0.« The frequency of system-work factors found in extracted data, placed into the SEIPS model framework. »
Ce que montre la figure : les rapports d'investigation systémique produisent 135 des 136 solutions codées, contre 57 pour les rapports RCA classiques. Les facteurs organisationnels dominent dans les rapports systémiques tandis que les facteurs liés aux tâches dominent dans les rapports RCA — mais les contrôles administratifs restent la catégorie dominante dans les deux cas (89 % des rapports systémiques, 82 % des rapports RCA). Élargir le cadre déplace la distribution de l'attention causale ; il ne garantit pas, à lui seul, un déplacement correspondant vers des contrôles plus forts.
Martin-Delgado et al. ont examiné 21 études sur l'analyse de cause racine (RCA) et sa traduction en amélioration de la sécurité. Quarante-sept pourcent identifient les recommandations comme la principale faiblesse de la RCA, et seules deux études montrent une certaine amélioration attribuable à la méthode. La revue conclut que la RCA peut identifier des causes immédiates et distales, mais que la preuve reste insuffisante pour établir qu'elle met en œuvre de façon cohérente des mesures efficaces de prévention de récurrence.
Partie 3 — Instrumenter le procédé pharmaceutique comme un système
Dans un procédé en lots, le « système » inclut les trajectoires dans le temps, l'alignement de phase, les CQA, les CPP, les états d'équipement, les limites de contrôle, les conditions de matière première et les interventions opérateur. Une valeur hors spécification (OOS) terminale est un symptôme ; la cible d'investigation est la trajectoire en interaction qui l'a produite.
Clausewitz écrit que « la chose la plus simple est difficile » et que les difficultés s'accumulent en friction (On War, traduction 1873, p. 40). Appliquée avec prudence comme analogie, une déviation de procédé pharmaceutique est souvent l'accumulation d'interactions individuellement tolérables plutôt qu'une défaillance isolée unique.
Luo et al. ont analysé 100 lots simulés de fermentation de pénicilline, d'environ 230 heures chacun, échantillonnés toutes les 12 minutes, pour un total de 113 934 observations ; 33 lots sont étiquetés non sains et 67 sains.
Luo et al., Frontiers in Manufacturing Technology, 2024 — sous licence CC BY 4.0.« Comparison of penicillin production deviation across batches 99, 92, and 96 against golden batch standard. »
Ce que montre la figure : le lot 99 diverge de la trajectoire de référence vers 100 h avec un écart de 54,03 % ; le lot 92 diverge vers 160 h avec 24,05 % ; le lot 96, sain, ne s'écarte que de 11,52 % vers 180 h. Une valeur OOS terminale unique ne dit rien de l'instant ni de la variable où la trajectoire a commencé à diverger ; seule une comparaison temporellement résolue à un lot de référence le révèle.
Luo et al., Frontiers in Manufacturing Technology, 2024 — sous licence CC BY 4.0.« Key contributors to deviation in penicillin production for batches 99, 92, and 96. »
Ce que montre la figure : les contributeurs dominants diffèrent par lot — pH et oxygène dissous pour le lot 99, débit de base et oxygène dissous pour le lot 92, pH et débit de base pour le lot 96. Une même analyse de rang, poussée plus loin dans le temps par les auteurs, montre qu'une excursion précoce d'oxygène dissous sur le lot 99 précède de plusieurs dizaines d'heures la défaillance CQA terminale : le contributeur causal et le symptôme terminal ne partagent ni le même instant ni, souvent, la même variable.
Ces figures démontrent la valeur d'une investigation alignée par phase, multivariée et résolue dans le temps ; elles ne valident pas la méthode sur des données de fabrication réelles — le jeu de données reste simulé, et la validation en conditions réelles demeure un travail futur déclaré par les auteurs eux-mêmes.
La revue systématique 2022 de Papageorgiou et al. a retenu 30 articles sur la RCA fondée sur l'IA/ML en fabrication, couvrant la période 2017 à début 2022. La fabrication représente 33 % des secteurs industriels examinés, tandis que la fabrication et le contrôle qualité représentent respectivement 50 % et 27 % de la répartition des applications. La revue identifie également l'explicabilité, la disponibilité des données, l'interopérabilité, la confidentialité et la sécurité comme des obstacles non résolus.
Papageorgiou et al., Frontiers in Manufacturing Technology, 2022 — sous licence CC BY 4.0.« Categorization of AI models employed for RCA. »
Ce que montre la figure : 60 % des méthodes recensées sont fondées sur le machine learning classique, 30 % sur le deep learning ou les réseaux de neurones, 10 % sur les réseaux bayésiens. La direction industriellement crédible n'est pas « l'IA trouve la cause racine » mais une chaîne de preuve gouvernée : alignement de phase du procédé, lots de référence représentatifs, analyse de contribution transparente, traçabilité vers les définitions CPP/CQA, revue par un opérateur, et validation explicite contre des données réelles d'usine.
Conclusion
L'hypothèse est conditionnellement soutenue. La preuve la plus solide établit que la classification sociotechnique large et l'analyse de procédé résolue dans le temps exposent des facteurs causaux qu'une investigation centrée sur le symptôme manque. La preuve ne soutient pas une affirmation groupée selon laquelle la RCA systémique réduirait la récurrence d'un pourcentage connu. En fabrication pharmaceutique, la démonstration figurative disponible repose sur des données de bioréacteur simulées ; une validation GMP prospective multi-site avec des résultats de récurrence ou de perte de lot contrôlés reste manquante.
Le standard minimal défendable pour le sous-sujet 6.2 est donc :
- définir la frontière du système avant de sélectionner une cause ;
- collecter la preuve à travers les personnes, la tâche, la technologie, l'environnement, l'organisation et les conditions externes ;
- reconstruire le travail réel et les trajectoires de procédé, pas seulement les enregistrements du travail prescrit ;
- générer des hypothèses causales concurrentes et rechercher la preuve disconfirmante ;
- préserver le lien entre chaque observation, facteur système et hypothèse causale ;
- arrêter la section à l'adéquation de la couverture causale, puis transmettre à 6.4 la preuve du chemin cause-décision.
La frontière du système doit être spécifiée avant que les hypothèses ne soient classées ; traiter l'absence de preuve collectée comme une absence de cause, plutôt que comme une recherche non menée, est l'erreur la plus courante d'une investigation qui s'arrête au symptôme terminal.
Graphe de décision d'application
| Étape | Question | Suite |
|---|---|---|
| 1. Portée initiale | La preuve est-elle confinée au symptôme terminal ou au dernier acteur ? | Oui → élargir la frontière d'investigation. Non → cartographier la preuve existante. |
| 2. Cartographie sociotechnique | La preuve couvre-t-elle personne, tâche, outil/technologie, procédé, environnement, organisation, externe ? | Collecter enregistrements, séries temporelles, observation du travail réel, entretiens, historique de maintenance/étalonnage et de changement. |
| 3. Hypothèses concurrentes | Plusieurs hypothèses causales ont-elles été générées ? | Chaque hypothèse doit prédire le motif observé et survivre à un test disconfirmant. |
| 4. Test disconfirmant | Chaque hypothèse retenue prédit-elle le motif observé et survit-elle à une preuve contraire ? | Non → retour à la cartographie sociotechnique. Oui → étape suivante. |
| 5. Documentation de couverture | La couverture causale, les lacunes résiduelles et la lignée de preuve sont-elles documentées ? | Transmettre à 6.4 : prouver le chemin cause-décision. |
Informations manquantes
- Aucune étude pharmaceutique prospective multi-site n'a été localisée comparant une investigation orientée système à une RCA conventionnelle centrée sur le symptôme, avec des résultats de récurrence, de rejet de lot, de délai de libération ou de rupture d'approvisionnement.
- L'étude de bioréacteur 2024 utilise des données simulées ; sa validité externe en conditions GMP réelles n'est pas établie.
- La revue de fabrication s'arrête début 2022 et ne compare pas les systèmes modernes de RCA fondés sur des modèles de fondation ou agentiques.
- La preuve issue de la santé est méthodologiquement pertinente mais nécessite une validation de transfert de domaine avant d'être utilisée comme preuve d'efficacité pharmaceutique.
- La figure de Bowditch et al. (2026, BMJ Quality & Safety) est sous licence CC BY 4.0 (confirmée via Crossref et le service d'accès libre de PMC, PMCID PMC13311954), mais n'a pas pu être récupérée : le site de l'éditeur oppose un défi anti-robot Cloudflare, et le paquet d'accès libre PMC — déposé le 21 juillet 2026 — renvoie une erreur 404 sur ses miroirs FTP et HTTPS, signe d'une propagation encore incomplète. Ses résultats (47 % de classifications centrées sur la personne parmi 300 investigations) sont donc cités en texte ci-dessus, sans reproduction d'image — à revisiter dans une session future.
Sources citées
- Bowditch, N., et al. (2026). Do patient safety incident investigations align with systems thinking? An analysis of contributing factors and recommendations. BMJ Quality & Safety, 35(7), 443–455. doi.org/10.1136/bmjqs-2025-019063
- Challinor, C., Bhandari, K., Bifarin, O., Morasae, E. K., Xavier, K., Saini, P., Berzins, K., & Nathan, R. (2026). From Root Cause Analysis to Systems Thinking: A Comparative Content Analysis of Patient Safety Incident Investigation Reports in Mental Healthcare. Journal of Evaluation in Clinical Practice, 32(4), e70495. doi.org/10.1111/jep.70495
- Clausewitz, C. von. (1873). On War (J. J. Graham, Trans.), p. 40.
- Gawande, A. (2010). The Checklist Manifesto: How to Get Things Right. Profile Books, p. 15–31.
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux, p. 85–88.
- Lawton, R., et al. A mixed-methods systematic review of contributory factors in patient safety incident investigations.
- Luo, D., He, M., Darko, J., Ly, F., & Maturana, S. F. (2024). The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process. Frontiers in Manufacturing Technology, 4, 1392038. doi.org/10.3389/fmtec.2024.1392038
- Martin-Delgado, J., Martínez-García, A., Aranaz, J. M., Valencia-Martín, J. L., & Mira, J. J. (2020). How Much of Root Cause Analysis Translates into Improved Patient Safety: A Systematic Review. Medical Principles and Practice, 29(6), 524–531. doi.org/10.1159/000508677
- Papageorgiou, E. I., et al. (2022). A systematic review on machine learning methods for root cause analysis towards zero-defect manufacturing. Frontiers in Manufacturing Technology, 2, 972712. doi.org/10.3389/fmtec.2022.972712
Date limite de preuve : 3 août 2026.
A temperature excursion occurs right at the end of a fermentation run on a bioreactor. The operator on shift when the alarm fired is identified, their action reconstructed minute by minute, a training action signed off — and the investigation stops there. Nobody asks why a dissolved-oxygen drift, visible in the process data a hundred hours earlier, triggered no alert, or whether the same silent drift exists on the three other batches produced that week.
Subtopic 6.2's research hypothesis is: a scientifically defensible investigation obtains broader and more actionable causal coverage when it examines interacting people, task, technology, process, environmental, organisational and external factors, rather than stopping at the terminal symptom or the last individual action.
The hypothesis is conditionally supported for causal coverage and investigation orientation; it is not established for recurrence reduction in pharmaceutical GMP operations. The evidence converges but remains heterogeneous: healthcare reviews and 2026 incident-report studies document investigation practice directly; manufacturing reviews describe data-driven RCA methods; a 2024 bioreactor study demonstrates time-aligned CPP/CQA deviation analysis, but on simulated data — it therefore does not constitute prospective GMP validation.
| Sub-topic | Primary analytical object | Excluded from 6.2 |
|---|---|---|
| 6.2 — Causal boundary | Determining where the investigation should look before ranking a cause | Explanation quality, formal cause-to-decision proof, uncertainty closure |
| 6.3 | How the causal explanation is written and made scientifically defensible | Defining the search boundary as the main subject |
| 6.4 | How cause becomes a proven decision path | Initial multi-level evidence collection |
| 6.5 | How uncertainty and the record are closed | The investigation architecture itself |
Part 1: Expand the causal perimeter beyond the visible actor
A symptom is usually the most observable end-state of a longer interaction chain. The investigation fails when the evidence boundary is set by visibility rather than causal relevance.
Kahneman's "What You See Is All There Is" describes the tendency to build a coherent account from available information while under-weighting missing information. In an investigation, this maps directly onto premature closure around the visible deviation, the operator's action, or the terminal failure (Thinking, Fast and Slow, pp. 85–88).
Across 300 investigations from 56 Australian health services, 47% of contributing-factor classifications were person-focused; most recommendations were medium or weak, and 10% of reports contained neither contributing factors nor recommendations. The hierarchical placement of factors in that study shows a causal search concentrated near people and tasks rather than distributed across the full sociotechnical system. The same study documents that 57% of reports reconstructed all relevant scenes, 48% explored "why" extensively, 22% cited scientific literature, fewer than 1% directly observed work-as-done, and only 45% produced recommendations directly addressing the identified contributing factors.
Lawton et al.'s mixed-methods systematic review identified 95 papers representing 83 studies and extracted 1,676 contributory factors into 20 domains. Despite the availability of systems frameworks, the literature most frequently identifies active failures, individual factors, communication, equipment/supplies, and staffing. The review therefore supports two propositions simultaneously: the causal field is multi-level, and empirical investigation practice remains biased toward proximal, visible factors.
Part 2: Change the investigation architecture, not merely the vocabulary
Calling an investigation "systems-based" does not guarantee system-level evidence. The data-collection method, team composition, classification scheme and recommendation logic determine whether the investigation actually moves beyond symptom attribution.
Gawande's chapter "The problem of extreme complexity" frames avoidable failure as a coordination problem in systems where no single actor can hold all relevant knowledge (The Checklist Manifesto, pp. 15–31). For investigation design, the implication is procedural: build a repeatable mechanism that compels retrieval of dispersed evidence and cross-disciplinary challenge.
Challinor et al., Journal of Evaluation in Clinical Practice, 2026 — licensed CC BY 4.0.“The frequency of system-work factors found in extracted data, placed into the SEIPS model framework.”
What the figure shows: systems-based investigation reports produced 135 of 136 coded solutions, compared with 57 for conventional RCA reports. Organisation factors dominate in systems-based reports while task factors dominate in RCA reports — but administrative controls remain the dominant category in both (89% of systems-based reports, 82% of RCA reports). Widening the frame shifts the distribution of causal attention; it does not by itself guarantee a corresponding shift toward stronger controls.
Martin-Delgado et al. examined 21 studies on root cause analysis (RCA) and its translation into safety improvement. Forty-seven percent identified recommendations as RCA's principal weakness, and only two studies showed some improvement attributable to the method. The review concludes that RCA can identify immediate and remote causes, but evidence remains insufficient to establish that it consistently implements effective recurrence-prevention measures.
Part 3: Instrument the pharmaceutical process as a system
In batch processes, the "system" includes trajectories over process time, phase alignment, CQAs, CPPs, equipment states, control limits, raw-material conditions and operator interventions. A terminal out-of-specification (OOS) value is a symptom; the investigation target is the interacting trajectory that produced it.
Clausewitz wrote that "the simplest thing is difficult" and that difficulties accumulate into friction (On War, 1873 translation, p. 40). Applied cautiously as an analogy, a pharmaceutical process deviation is often an accumulation of individually tolerable disturbances rather than a single isolated fault.
Luo et al. analysed 100 simulated penicillin fermentation batches, approximately 230 hours each, sampled every 12 minutes, totalling 113,934 observations; 33 batches are labelled unhealthy and 67 healthy.
Luo et al., Frontiers in Manufacturing Technology, 2024 — licensed CC BY 4.0.“Comparison of penicillin production deviation across batches 99, 92, and 96 against golden batch standard.”
What the figure shows: batch 99 diverges from the reference trajectory around 100 h with a 54.03% deviation; batch 92 diverges around 160 h with 24.05%; healthy batch 96 diverges only 11.52% around 180 h. A single terminal OOS value says nothing about when, or in which variable, the trajectory first started to diverge; only a time-resolved comparison against a reference batch reveals it.
Luo et al., Frontiers in Manufacturing Technology, 2024 — licensed CC BY 4.0.“Key contributors to deviation in penicillin production for batches 99, 92, and 96.”
What the figure shows: the dominant contributors differ by batch — pH and dissolved oxygen for batch 99, base-flow rate and dissolved oxygen for batch 92, pH and base-flow rate for batch 96. The same ranking analysis, carried further through time by the authors, shows an early dissolved-oxygen excursion on batch 99 preceding the terminal CQA failure by tens of hours: the causal contributor and the terminal symptom often share neither the same moment nor the same variable.
These figures demonstrate the value of phase-aligned, multivariate, temporally resolved investigation; they do not validate the method on real manufacturing data — the dataset remains simulated, and real-world validation is explicitly named future work by the authors themselves.
Papageorgiou et al.'s 2022 systematic review retained 30 papers on AI/ML-based RCA in manufacturing, spanning 2017 to early 2022. Manufacturing represented 33% of the industrial sectors reviewed, while manufacturing and quality-control applications represented 50% and 27% respectively of the application breakdown. The review also identifies explainability, data availability, interoperability, privacy and security as unresolved barriers.
Papageorgiou et al., Frontiers in Manufacturing Technology, 2022 — licensed CC BY 4.0.“Categorization of AI models employed for RCA.”
What the figure shows: 60% of the surveyed methods are classical machine learning, 30% deep learning or neural-network based, 10% Bayesian-network based. The industrially credible direction is not "AI finds the root cause" but a governed evidence stack: process-phase alignment, representative reference batches, transparent contribution analysis, traceability to CPP/CQA definitions, operator review, and explicit validation against real plant data.
Conclusion
The hypothesis is conditionally supported. The strongest evidence establishes that broad sociotechnical classification and temporally resolved process analysis expose causal factors that symptom-focused investigation misses. The evidence does not support a pooled claim that systems-based RCA reduces recurrence by a known percentage. In pharmaceutical manufacturing, the available figure-rich demonstration rests on simulated bioreactor data; prospective, multi-site GMP validation with controlled recurrence or batch-loss outcomes remains missing.
The minimum defensible standard for subtopic 6.2 is therefore:
- define the system boundary before selecting a cause;
- collect evidence across people, task, technology, environment, organisation and external conditions;
- reconstruct work-as-done and process trajectories, not only records of work-as-prescribed;
- generate competing causal hypotheses and seek disconfirming evidence;
- preserve the link between each observation, system factor and causal hypothesis;
- stop the section at causal-coverage adequacy, then hand off to 6.4 for cause-to-decision proof.
The system boundary must be specified before hypotheses are ranked; treating the absence of collected evidence as the absence of a cause, rather than as a search not performed, is the most common failure of an investigation that stops at the terminal symptom.
Application decision graph
| Step | Question | Next |
|---|---|---|
| 1. Initial scope | Is the evidence confined to the terminal symptom or the last actor? | Yes → expand the investigation boundary. No → map existing evidence. |
| 2. Sociotechnical mapping | Does the evidence cover person, task, tool/technology, process, environment, organisation, external? | Collect records, time-series, work-as-done observation, interviews, maintenance/calibration and change history. |
| 3. Competing hypotheses | Have multiple causal hypotheses been generated? | Each hypothesis must predict the observed pattern and survive a disconfirming test. |
| 4. Disconfirming test | Does each retained hypothesis predict the observed pattern and survive contrary evidence? | No → back to sociotechnical mapping. Yes → next step. |
| 5. Coverage documentation | Are causal coverage, residual gaps and evidence lineage documented? | Hand off to 6.4: prove the cause-to-decision path. |
Missing information
- No prospective multi-site pharmaceutical study was located comparing system-oriented investigation with conventional symptom-focused RCA using recurrence, batch-rejection, release-delay or supply-shortage outcomes.
- The 2024 bioreactor study uses simulated data; external validity in real GMP operations is unestablished.
- The manufacturing review ends in early 2022 and does not benchmark modern foundation-model or agentic RCA systems.
- The healthcare evidence is methodologically relevant but requires domain-transfer validation before use as pharmaceutical-effectiveness evidence.
- Bowditch et al.'s (2026, BMJ Quality & Safety) figure is licensed CC BY 4.0 (confirmed via Crossref and the NCBI PMC open-access service, PMCID PMC13311954), but could not be retrieved: the publisher's site returns a Cloudflare bot challenge, and the PMC open-access package — deposited 2026-07-21 — 404s on both its FTP and HTTPS mirrors, indicating incomplete propagation. Its findings (47% person-focused classifications across 300 investigations) are therefore cited in text above without image reproduction — to revisit in a future session.
Sources cited
- Bowditch, N., et al. (2026). Do patient safety incident investigations align with systems thinking? An analysis of contributing factors and recommendations. BMJ Quality & Safety, 35(7), 443–455. doi.org/10.1136/bmjqs-2025-019063
- Challinor, C., Bhandari, K., Bifarin, O., Morasae, E. K., Xavier, K., Saini, P., Berzins, K., & Nathan, R. (2026). From Root Cause Analysis to Systems Thinking: A Comparative Content Analysis of Patient Safety Incident Investigation Reports in Mental Healthcare. Journal of Evaluation in Clinical Practice, 32(4), e70495. doi.org/10.1111/jep.70495
- Clausewitz, C. von. (1873). On War (J. J. Graham, Trans.), p. 40.
- Gawande, A. (2010). The Checklist Manifesto: How to Get Things Right. Profile Books, pp. 15–31.
- Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux, pp. 85–88.
- Lawton, R., et al. A mixed-methods systematic review of contributory factors in patient safety incident investigations.
- Luo, D., He, M., Darko, J., Ly, F., & Maturana, S. F. (2024). The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process. Frontiers in Manufacturing Technology, 4, 1392038. doi.org/10.3389/fmtec.2024.1392038
- Martin-Delgado, J., Martínez-García, A., Aranaz, J. M., Valencia-Martín, J. L., & Mira, J. J. (2020). How Much of Root Cause Analysis Translates into Improved Patient Safety: A Systematic Review. Medical Principles and Practice, 29(6), 524–531. doi.org/10.1159/000508677
- Papageorgiou, E. I., et al. (2022). A systematic review on machine learning methods for root cause analysis towards zero-defect manufacturing. Frontiers in Manufacturing Technology, 2, 972712. doi.org/10.3389/fmtec.2022.972712
Evidence cut-off: 3 August 2026.
Voir aussi
- Pharmaceutical Evidence-to-Decision Assurance Le mandat qui relie donnée régulée, décision et dossier d’inspection.
- Data & outillage Outils systèmes, indexation et persistance vérifiables, écrits pour durer.
- Calculateur de mission Chiffrer l’enveloppe de ce type de mission, calcul local et reproductible.