A FORMAL MEDICATION RECONCILIATION PROGRAMME IN A HAEMODIALYSIS UNIT CAN IDENTIFY MEDICATION DISCREPANCIES AND POTENTIALLY PREVENT ADVERSE DRUG EVENTS
Notice bibliographique
Résumé
BACKGROUND: Patients on haemodialysis have been identified as high-risk for medication discrepancies and adverse drug events. Medication reconciliation is an important patient safety initiative to prevent adverse drug events. The primary objective of our study was to determine the number and types of medication discrepancies and drug therapy problems (DTPs) identified in patients on haemodialysis. Our second objective was to assess the potential clinical impact and severity of all unintentional medication discrepancies identified. METHODS: Patients in an academic haemodialysis unit were interviewed to obtain a best possible medication history (BPMH) between May and August 2010. The BPMH was documented and discrepancies were identified, classified and resolved with the interprofessional team. An interprofessional panel conducted a discrepancy clinical impact assessment for potential adverse drug events. RESULTS: Two hundred and twenty-eight patients on haemodialysis were interviewed and 512 discrepancies were identified for 151 patients (3.4 discrepancies per patient). Of these, 174 (34%) were undocumented intentional discrepancies and 338 (66%) were unintentional discrepancies. The unintentional discrepancies were classified as 21% omissions, 36% commissions and 43% incorrect dose/frequency. Most drug therapy problems were related to patient taking a medication that was not indicated (25%), medication required but patient not taking (25%), patient not willing to take the medication as prescribed (28%) or incorrect dosing of a drug (20%). Overall, 6% of discrepancies were classified as clinically significant potential adverse drug events. CONCLUSION: Medication discrepancies appear to be common in patients on haemodialysis. Formal interprofessional medication reconciliation practice models are essential to identify discrepancies and prevent patients from experiencing adverse drug events.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».