Smart pump use in pediatric patients
Notice bibliographique
Résumé
Medications for pediatric patients are individualized based on patient weight. An error in weight measurement, weight transcription in a patient’s chart, or weight entry into software or equipment can result in prescription and medication administration errors.1 Determination of the appropriate weight for dosage calculations is not always feasible, especially in the unstable patient, or may be complicated by clinical conditions such as severe fluid overload and obesity. In addition, the equipment used for weight measurement is often not routinely calibrated, and the use of different units of measure increases the risk of errors. The use of certain technologies can help reduce medication errors in pediatric patients.2 Smart pumps “are designed to alert the user when there is a risk of an adverse drug interaction, or when the user sets the pump’s parameters outside of specified safety limits,”3 but their effect on the delivery of safe health care is limited.3,4 At our 450-bed mother–child center, we recently implemented 645 smart pumps (Infusomat, B. Braun, Melsungen AG, Germany) and 400 syringe pumps (Perfusor, B. Braun). We customized a drug library of 177 medications by standardizing drug concentrations and setting dosage limits. A total of 12 drug library subsets with specific limits were defined according to patient population (i.e., neonatology intensive care, pediatric intensive care, anesthesia, and obstetrics).
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».