Integration of health information technology to improve patient safety
Notice bibliographique
Résumé
Background: Medical errors and unsafe care continue to harm and kill thousands of patients every year, exceeding deaths attributed to motor vehicle accidents, heart failure and breast cancer. It has been more than ten years since the Institute of Medicine (IOM) released two landmark reports that galvanized attention on the scope and severity of the problem and started a national movement to improve patient safety in healthcare. Both of these reports emphasized the role that health information technology (HIT) can play in improving the quality and safety of patient care. This has lead federal and state legislators to prominently feature HIT, patient safety, and quality outcomes in the current health care debate, laws, and payment schemes. The objective of this systematic literature review is to assess current and proposed use of technology to prevent adverse events and the regulatory drivers that are promoting the use of technology for patient safety. Methods: A systematic literature search from 2010-2013 using CINAHL, Cochrane Library, Medline and Ovid (via EBSCO),Google Scholar and government web sites, was conducted to identify technology drivers, advancements and effects in the patient safety areas of electronic health records, patient identification, patient falls, pressure ulcers, and medication errors. Results: Forty four articles were selected for inclusion in this review addressing legal and regulatory drivers for use of technology to support patient safety, and specific technologies to prevent adverse events related to patient identification, patient falls, pressure ulcers, and medication errors. Search criteria included technology to prevent each of these event types, and the Affordable Care Act (ACA), American Reinvestment and Recovery Act (ARRA), and the Health Information Technology for Economic and Clinical Health (HITECH) provisions related to patient safety. Conclusion: Healthcare reform initiatives are promoting an expanded role for HIT in improving the safety and quality of patient care in the U.S. healthcare system. Findings suggest that there are several technologies currently in development and use to prevent adverse events in patients. While patient safety technology shows great promise in preventing error and injury, it also presents potential to harm if not effectively developed, implemented and used. It is an adjunct to, not a replacement of, a skilled and attentive care giver. Normal 0 7.8 磅 0 2 false false false EN-US ZH-CN X-NONE /* Style Definitions */ table.MsoNormalTable {mso-style-name:普通表格; mso-tstyle-rowband-size:0; mso-tstyle-colband-size:0; mso-style-noshow:yes; mso-style-priority:99; mso-style-parent:""; mso-padding-alt:0cm 5.4pt 0cm 5.4pt; mso-para-margin:0cm; mso-para-margin-bottom:.0001pt; mso-pagination:widow-orphan; font-size:10.0pt; font-family:"Calibri","sans-serif"; mso-bidi-font-family:"Times New Roman";}
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 | 0,013 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,017 | 0,013 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».