Notice bibliographique
Résumé
De Winter et al ( see page 371 ) studied 3594 patients admitted to hospital through an emergency department and found that 59% of patients had a discrepancy between the physician's medication history and a pharmacist technician's structured medication history.1 This result is consistent with over 20 small studies (median sample size 104 patients) showing 61–67% of patients have at least one discrepancy in the medication history at the time of hospital admission.2 There are at least three good reasons to obtain an accurate medication history at the time of hospital admission. First, more than 1 in 9 emergency department visits are due to drug-related adverse events.3 An accurate medication history will be the cornerstone for diagnosing this common problem. Second, medication history errors may result in incorrect medication orders and incorrect treatment during the admission, leading to patient harm. Third, an accurate medication history is the foundation for accurate medication instructions and prescriptions at the time of hospital discharge. Medication reconciliation (Med Rec) at admission is the process of obtaining the best-possible medication history (BPMH), and using this list to provide correct medications to patients at the time of hospital admission. Med Rec at admission is the cornerstone of Med Rec during subsequent transfers and at discharge. Med Rec is a major patient safety priority for safety improvement organisations such as the WHO,4 and hospital accreditors.5 Well-designed medication reconciliation programmes can reduce medication discrepancies6 and potential adverse drug events,7 although there are no studies to show a reduction in preventable adverse drug events. Successful medication reconciliation implementation is a challenge, as evidenced by the Joint Commission's recent decision …
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 | 0,009 |
| 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; 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 ».