Characteristics of adverse medication events in a children's hospital
Notice bibliographique
Résumé
AIM: To compare adverse medication events (AMEs) reported in children, via the International Statistical Classification of Diseases and Related Health Problems 10th Revision (ICD-10) coding with events reported via other data sources. METHOD: AME reports were retrieved using codes Y40-Y59 and X40-X44 over 6 months. Patients' charts were manually reviewed to identify events associated with error and/or harm with medicines during a hospital admission. Medication name, group, error, harm and alert documentation were recorded. Clinical incidents and pharmacist interventions were reviewed for the same period. RESULTS: Two hundred sixty-three events from January to June 2011 were recorded by ICD-10 coding in 180 patients. After duplicated, missing or unrelated events were excluded and 146 AMEs remained. In the same period, 117 AMEs were reported as incidents and 190 as pharmacist interventions. In total, 276 children with 447 events were reported via all sources. Little duplication between data sources was evident. In total, 158 events involved harm, with 135 of these from ICD-10 coding, 16 from incident reports and 2 pharmacist interventions (including 6 events from multiple sources). Error was involved in 3% of ICD10 reports, 97% of incidents and 100% of interventions. Only 14% of harm-related events from ICD-10 were documented on the medical record clinical alert. Chemotherapy accounted for 31% of harm-related events, antimicrobials 18%, corticosteroids 14% and narcotics 12%. CONCLUSION: Of the harm-related events, 85% were documented via ICD-10 coding with few documented in other databases. Review of ICD-10-coded AMEs can provide valuable information to improve patient safety and quality.
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) | 0,000 | 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 | 0,001 |
| 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 ».