Antiretroviral and Medication Errors in Hospitalized HIV-Positive Patients
Notice bibliographique
Résumé
OBJECTIVE: To summarize the literature regarding antiretroviral and other medication errors in hospitalized HIV-positive patients and to discuss potential interventions and solutions that have been studied to minimize drug error. DATA SOURCES: A systematic search of MEDLINE, PubMed, and EMBASE (2000-April 2014) was conducted. Search terms included HIV/AIDS, HAART, hospitalization, patient admission, inpatient, patient transfer, medication error, inappropriate prescribing, drug interaction, drug omission, drug toxicity, and contraindication. STUDY SELECTION AND DATA EXTRACTION: English-language research articles, case reports, conference abstracts, and letters to the editor were reviewed. DATA SYNTHESIS: A high overall medication error rate was reported in HIV-positive inpatients. Errors occurred mainly at the time of prescribing on admission but were also detected throughout hospitalization and at discharge. Errors in the antiretroviral regimen, dosing, scheduling, and drug-drug and drug-food interactions were the most common. The most successful interventions involved a clinical pharmacist, who specializes in infectious diseases and/or HIV, completing medication reconciliation on admission, reviewing orders daily, and screening for errors at discharge. CONCLUSIONS: Although studies varied greatly in methodology, overall, a large number of medication errors occurred in this patient population. This underscores the important role the pharmacist has in optimizing care to hospitalized HIV-positive patients and provides further insights into the types of medication errors that occur and proposed solutions to reduce these errors. Because medication errors are multifactorial, ongoing initiatives to improve the quality of medication reconciliation processes, educate the health care team on antiretroviral medications, and improve the drug distribution system are required.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 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 | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».