The Effect of Computerized Physician Order Entry on Medication Errors and Adverse Drug Events in Pediatric Inpatients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Computerized physician order entry (CPOE) has the potential to reduce patient injury resulting from medication errors. We assessed the impact of a CPOE system on medication errors and adverse drug events (ADEs) in pediatric inpatients. DESIGN: A retrospective cohort study. SETTING: Tertiary care pediatric hospital. PARTICIPANTS: Pediatric inpatients on 3 medical and 2 surgical wards. INTERVENTION: CPOE system implemented on 2 medical wards and compared with 1 medical and 2 surgical wards that continued to use hand written orders. OUTCOME MEASURES: Rate of medication error and ADEs before and after CPOE implementation. RESULTS: In 6 years, a total of 804 medication errors were identified with 18 ADEs, resulting in patient injury among 36 103 discharges and 179 183 patient days. The overall medication error rate (MER) was 4.49 per 1000 patient days. Before the introduction of CPOE, the MERs of the intervention versus control wards were indistinguishable (ratio = 0.93; 95% confidence interval [CI] = 0.76, 1.13). After the introduction of CPOE, the MER was 40% lower on the intervention than on the control wards (ratio = 0.60; 95% CI = 0.48, 0.74). On average, 490 patient days are required to see the benefit of one less medication error using CPOE. We did not demonstrate a similar effect of CPOE for ADEs (ratio of rate ratios = 1.30; 95% CI 0.47, 3.52). CONCLUSIONS: The introduction of a commercially available physician computer order entry system was associated with a significant decrease in the rate of medication errors but not ADEs in an inpatient pediatric population.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle