Notice bibliographique
Résumé
BACKGROUND: Medication errors with oncology drugs can place cancer patients at risk for adverse events or death. Look-alike, sound-alike (LASA) drug names may increase the risk for errors. Published lists of LASA drug names are generally a result of voluntarily reported medication incidents. This study performed a proactive review of the oncology drug formulary from the Cancer Services of the Alberta Health Services for LASA drug pairs. METHODS: The Levenshtein Distance and Bigram Similarity algorithms, same first and last letters, and Lexi-Comp(R) on-line alerts were used to review the outpatient oncology formulary to identify potential LASA generic drug name pairs. RESULTS: indicate there are more potential LASA generic drug name pairs in the oncology formulary than are published in the literature. The risk detection methods used in this study identified unique and common LASA drug pairs. The Bigram Similarity algorithm identified 186 LASA drug pairs from 3320 possible pairs. The Levenshtein Distance algorithm, same first and last letters, and Lexi-Comp(R) methods identified 42, 75, and 38 LASA drug pairs, respectively. Five generic LASA drug pairs were identified in common by all four of the risk determination methods. DISCUSSION: LASA drug pairs identified by three or four methods were considered to provide the highest risk for errors. A step-wise approach to risk reduction, dependent on the number of detection methods identifying a pair, is presented. CONCLUSION: For specialty areas of practice, a proactive system of reviewing LASA drug name pairs may be warranted for increasing medication 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 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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,010 |
| 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 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 ».