Reporting of near‐miss events for transfusion medicine: improving transfusion safety
Notice bibliographique
Résumé
BACKGROUND: Half of the reported serious adverse events from transfusion are a consequence of medical error. A no-fault medical-event reporting system for transfusion medicine (MERS-TM) was developed to capture and analyze both near-miss and actual transfusion-related errors. STUDY DESIGN AND METHODS: A prospective audit of transfusion-related errors was performed to determine the ability of MERS-TM to identify the frequency and patterns of errors. RESULTS: Events and near-miss events (total, 819) were recorded for a period of 19 months (median, 51/month). No serious adverse patient outcome occurred, despite these events, with the transfusion of 17,465 units of RBCs. Sixty-one events (7.4%) were potentially life-threatening or could have led to permanent injury (severity Level 1). Of most concern were 3 samples collected from the wrong patient, 13 mislabeled samples, and 22 requests for blood for the wrong patient. Near-miss events were five times more frequent than actual transfusion errors, and 68 percent of errors were detected before blood was issued. Sixty-one percent of events originated from patient areas, 35 percent from the blood bank, and 4 percent from the blood supplier or other hospitals. Repeat collection was required for 1 of every 94 samples, and 1 in 346 requests for blood components was incorrect. Education of nurses and alterations to blood bank forms were not by themselves effective in reducing severe errors. An artifactual 50-percent reduction in the number of errors reported was noted during a 6-month period when two chief members of the event-reporting team were on temporary leave. CONCLUSION: The MERS-TM allowed the recognition and analysis of errors, determination of patterns of errors, and monitoring for changes in frequency after corrective action was implemented. Although no permanent injury resulted from the 819 events, innovative mechanisms must be designed to prevent these errors, instead of relying on faulty informal checks to capture errors after they occur.
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 | 0,024 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».