Computerized Prescriber Order Entry in the Outpatient Oncology Setting: From Evidence to Meaningful Use
Notice bibliographique
Résumé
BACKGROUND: Chemotherapy is an effective treatment in the fight against many cancers. Medication errors in oncology can be particularly serious given the narrow therapeutic window of antineoplastic drugs and their high toxicities. Computerized prescriber order entry (cpoe) has consistently been shown to reduce medication errors and adverse drug events in various settings, but its use in the oncology setting has not been well established. To gain a better understanding of the meaningful use of cpoe systems in the outpatient chemotherapy setting, we undertook a systematic review of systemic therapy cpoe. METHODS: A province-wide expert panel consisting of clinical experts, health information professionals, and specialists in human factors design provided guidance in the development of the research questions, search terms, databases, and inclusion criteria. The systematic review was undertaken by a core team consisting of a medical oncologist, nurse, pharmacist, and methodologist. The medline, embase, cinahl, and compendex databases were searched for relevant evidence. RESULTS: The database searches resulted in 5642 hits, of which 9 met the inclusion criteria and were retained. In the oncology setting, cpoe systems generally reduce chemotherapy medication errors; however, specific types of errors increase with the use of cpoe. These systems affect practice both positively and negatively with respect to time, workload, and productivity. CONCLUSIONS: Despite the paucity of oncology-specific research, cpoe should be used in outpatient chemotherapy delivery to reduce chemotherapy-related medication errors. Adoption by clinicians will be enhanced by cpoe processes that complement current practice and workflow processes.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».