Medication administration technologies and patient safety: a mixed-method systematic review
Notice bibliographique
Résumé
BACKGROUND: Healthcare leaders need evidence-based information on nursing medication administration technologies to guide the design of improvements to patient safety. AIM: The aim of this study was to evaluate the research evidence on relationships between the use of medication administration technologies and incidence of medication administration incidents and preventable adverse drug events to inform decision-making about existing technology options. DATA SOURCES: Thirteen electronic databases and seven relevant patient safety websites were searched for the years 1980-2009. REVIEW METHODS: A mixed-method systematic literature review of research on medication administration technologies and associated links to patient safety, operationalized as medication administration incidents and preventable adverse drug events, was conducted. RESULTS: Twelve studies (two qualitative, five pre- and postinterventions and five correlational) met the inclusion criteria. All were assessed as medium quality with low generalizability of study findings. Only two studies sampled more than one hospital and none of the studies was driven by an explicit theoretical framework. The studies included in this review are generally positive towards medication administration technologies and their potential benefits, yet the level of evidence overall is equivocal. The majority of studies pointed to the development of workarounds by nurses following medication administration technology implementation that could compromise patient safety. CONCLUSION: More theoretically driven research is needed to determine which medication administration technologies should be implemented in what ways to most effectively reduce medication administration incidents and preventable adverse drug events and minimize the development of potentially unsafe workarounds. Further evidence is required to accurately assess the actual contribution of medication administration technologies for improving patient safety.
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 | 0,040 | 0,134 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,010 | 0,009 |
| Bibliométrie | 0,022 | 0,021 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».