Pharmacist surveillance of adverse drug events
Notice bibliographique
Résumé
PURPOSE: The incidence of adverse drug events (ADEs), preventable ADEs, and potential ADEs was determined using pharmacist surveillance. Drug classes associated with ADEs were also identified. METHODS: The study was conducted in a 30-bed hospital ward of a Canadian teaching hospital between April 28, 2003, and May 26, 2003. All patients admitted to the general medicine service were eligible for study enrollment. A pharmacist performed surveillance to identify new or worsening symptoms, critical laboratory values, and medication errors. Surveillance consisted of daily communications with staff, daily chart reviews for all inpatients, and investigation of spontaneous incident reports. Data were collected to describe all identified outcomes. This information was rated independently by two clinicians to determine if the outcome was an ADE, a preventable ADE, or a potential ADE. Descriptive statistics were used to calculate outcome rates, which were reported as events per 100 patient-days. RESULTS: During 543 patient-days of observation, 24 ADEs occurred (4.4 per 100 patient-days), of which 14 were preventable (2.6 per 100 patient-days); 13 potential ADEs also occurred (2.4 per 100 patient-days). Of all ADEs, 3 (13%) were life threatening, 11 (46%) were serious, and 10 (42%) were significant. The 24 ADEs were associated with nine different drug classes. Four drug classes accounted for 17 ADEs (71%): antidiabetic agents, antibiotics, glucocorticoids, and sedatives and hypnotics. CONCLUSION: Pharmacist surveillance revealed that 4.4 ADEs occurred per 100 patient-days, over half of which were preventable. All preventable and potential ADEs occurred during the ordering and administration stages of medication delivery.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».