Effect of Computerized Provider Order Entry with Clinical Decision Support on Adverse Drug Events in the Long‐Term Care Setting
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
OBJECTIVES: To evaluate the efficacy of computerized provider order entry with clinical decision support for preventing adverse drug events in long-term care. DESIGN: Cluster-randomized controlled trial. SETTING: Two large long-term care facilities. PATIENTS: One thousand one hundred eighteen long-term care residents of 29 resident care units. INTERVENTION: The 29 resident care units, each with computerized provider order entry, were randomized to having a clinical decision support system (intervention units) or not (control units). MEASUREMENTS: The number of adverse drug events, severity of events, and whether the events were preventable. RESULTS: Within intervention units, 411 adverse drug events occurred over 3,803 resident-months of observation time; 152 (37.0%) were deemed preventable. Within control units, there were 340 adverse drug events over 3,257 resident-months of observation time; 126 (37.1%) were characterized as preventable. There were 10.8 adverse drug events per 100 resident-months and 4.0 preventable events per 100 resident-months on intervention units. There were 10.4 adverse drug events per 100 resident-months and 3.9 preventable events per 100 resident-months on control units. Comparing intervention and control units, the adjusted rate ratios were 1.06 (95% confidence interval (CI)=0.92-1.23) for all adverse drug events and 1.02 (95% CI=0.81-1.30) for preventable adverse drug events. CONCLUSION: Computerized provider order entry with decision support did not reduce the adverse drug event rate or preventable adverse drug event rate in the long-term care setting. Alert burden, limited scope of the alerts, and a need to more fully integrate clinical and laboratory information may have affected efficacy.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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