Impact of vendor computerized physician order entry on patients with renal impairment in community hospitals
Notice bibliographique
Résumé
BACKGROUND: Adverse drug events (ADEs) are common among hospitalized patients with renal impairment. OBJECTIVE: To determine whether computerized physician order entry (CPOE) systems with clinical decision support capabilities reduce the frequency of renally related ADEs in hospitals. DESIGN, SETTING, AND PATIENTS: Quasi-experimental study of 1590 adult patients with renal impairment who were admitted to 5 community hospitals in Massachusetts from January 2005 to September 2010, preimplementation and postimplementation of CPOE. INTERVENTION: Varying levels of clinical decision support, ranging from basic CPOE only (sites 4 and 5), rudimentary clinical decision support (sites 1 and 2), and advanced clinical decision support (site 3). MEASUREMENTS: Primary outcome was the rate of preventable ADEs from nephrotoxic and/or renally cleared medications. Similarly, secondary outcomes were the rates of overall ADEs and potential ADEs. KEY RESULTS: There was a 45% decrease in the rate of preventable ADEs following implementation (8.0/100 vs 4.4/100 admissions; P < 0.01), and the impact was related to the level of decision support. Basic CPOE was not associated with any significant benefit (4.6/100 vs 4.3/100 admissions; P = 0.87). There was a nonsignificant decrease in preventable ADEs with rudimentary clinical decision support (9.1/100 vs 6.4/100 admissions; P = 0.22). However, substantial reduction was seen with advanced clinical decision support (12.4/100 vs 0/100 admissions; P = 0.01). Despite these benefits, a significant increase in potential ADEs was found for all systems (55.5/100 vs 136.8/100 admissions; P < 0.01). CONCLUSION: Vendor-developed CPOE with advanced clinical decision support can reduce the occurrence of preventable ADEs but may be associated with an increase in potential ADEs.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».