Medication reconciliation: Barriers and facilitators from the perspectives of resident physicians and pharmacists
Notice bibliographique
Résumé
BACKGROUND: Medication reconciliation can prevent medication errors and harm when patients transition between hospital and other care settings. Though a Joint Commission hospital Patient Safety Goal since 2006, organizations continue to have difficulty implementing the process. OBJECTIVE: To determine factors that influence performance of medication reconciliation in a hospital setting with a computerized medication reconciliation tool. DESIGN: Cognitive task analysis (CTA) and focus group interviews. SETTING: Urban, academic, tertiary-care Veterans Affairs medical center. PARTICIPANTS: Internal medicine house staff physicians (n = 23) and inpatient staff pharmacists (n = 12). MEASUREMENTS: CTA participants verbalized their thoughts while they completed medication reconciliation with the computerized tool. Focus group participants described medication reconciliation's purpose and effectiveness, how they completed the task, and its barriers and facilitators. Interviews were recorded and analyzed using social science methods for analyzing qualitative data. RESULTS: Participants agreed that a central goal of medication reconciliation is to prevent prescribing errors, but disagreed about whether it achieves this goal. Computerization facilitated the task, but participants said that computers and patients can be unreliable sources of information. Participants varied in how they sequenced components of the task. When time was limited, physicians considered other responsibilities higher priority. Both physicians and pharmacists expressed low self-efficacy, ie, low perceived capability to achieve the objectives of the process. CONCLUSION: Key barriers to medication reconciliation are unreliable sources of medication information and tasks that compete for providers' time and attention that they consider higher priority. Addressing these barriers while increasing providers' self-efficacy might improve medication reconciliation and its outcomes.
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 | 0,009 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».