MétaCan
Menu
Retour à la cohorte
Enregistrement W2164718117 · doi:10.4212/cjhp.v67i6.1404

Measuring Adverse Drug Events on Hospital Medicine Units with the Institute for Healthcare Improvement Trigger Tool: A Chart Review

2014· review· en· W2164718117 sur OpenAlexaffvenueabout
Iris Kin-Chun Lau, Allison Kirkwood

Notice bibliographique

RevueThe Canadian Journal of Hospital Pharmacy · 2014
Typereview
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmacovigilance and Adverse Drug Reactions
Établissements canadiensSt. Paul's Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineAdverse effectMedical prescriptionEmergency medicineIncidence (geometry)Health carePharmacyPsychological interventionIntensive care medicineMedical emergencyInternal medicineFamily medicinePharmacology

Résumé

récupéré en direct d'OpenAlex

Background: An adverse drug event (ADE) is a noxious, unintended response to a drug, occurring at doses used in humans for prophylaxis, diagnosis, or treatment of disease or for modification of physiological function. ADEs account for about one-quarter of all adverse events in Canadian hospitals. Canadian data on specific types of ADEs and commonly implicated drugs are lacking. In particular, there is a paucity of data on ADEs that occur during hospital admissions.Objectives: The primary objective was to identify the incidence of ADEs in a sample of adult general medicine inpatients over a 1-year period. The secondary objective was to identify the 5 drugs most frequently responsible for ADEs in this setting.Methods: A retrospective chart analysis was conducted for general medicine patients discharged from St Paul’s Hospital in Vancouver, British Columbia, from January to December 2011. ADEs were identified using the Institute for Healthcare Improvement (IHI) Trigger Tool for Measuring Adverse Drug Events. The Naranjo criteria were applied to assess causality, and a physician independently authenticated the ADEs for preventability and harm using the categories of harm set out by the US National Coordinating Council for Medication Error Reporting and Prevention.Results: Of the 204 patient encounters reviewed, 15 involved ADEs, which represented an incidence of 7% over the 1-year study period. The 5 drugs most frequently implicated in ADEs were vancomycin, ciprofloxacin, ceftriaxone, piperacillin–tazobactam, and moxifloxacin.Conclusions: The rate of ADEs during hospital admissions was substantial. These events may necessitate additional investigations and interventions and may prolong the hospital stay. The authors do not recommend the IHI Trigger Tool for Measuring Adverse Drug Events for efficient prospective detection of ADEs in manual chart reviews. Possible modifications to improve the utility of this tool might include incorporating it into a compatible electronic health record system with automated trigger detection.RÉSUMÉContexte : Un événement indésirable lié à un médicament (EIM) est une réaction nocive et non intentionnelle à un médicament qui survient lorsque que le médicament est utilisé selon les doses normales chez l’humain aux fins de la prévention, du diagnostic ou du traitement d’une maladie ou de la modification d’une fonction physiologique. Les EIM représentent environ le quart des événements indésirables dans les hôpitaux canadiens. Or, il n’y a pas assez de données canadiennes qui portent sur les catégories précises d’EIM et sur les médicaments qui y sont normalement associés. De plus, les données sur les EIM se produisant durant l’hospitalisation sont très rares.Objectifs : L’objectif principal visait à identifier sur une période d’une année la fréquence des EIM dans un échantillon composé de patients adultes hospitalisés au service de médecine générale. L’objectif secondaire visait à découvrir quels étaient les cinq médicaments les plus souvent responsables d’EIM dans ce contexte.Méthodes : Une analyse rétrospective des dossiers médicaux de patients ayant obtenu leur congé du service de médecine générale du St Paul’s Hospital de Vancouver entre janvier et décembre 2011 a été menée. Le Trigger Tool for Measuring Adverse Drug Events (outil déclencheur permettant de détecter les EIM) de l’Institute for Healthcare Improvement (IHI) a servi à repérer les cas d’EIM. L’algorithme de Naranjo a été utilisé pour en évaluer la causalité. De plus, un médecin indépendant a validé les EIM quant à leurs caractères évitable et préjudiciable, et ce, à l’aide des catégories de préjudice du US National Coordinating Council for Medication Error Reporting and Prevention.Résultats : Parmi les 204 hospitalisations évaluées, 15 présentaient des EIM, soit une fréquence de 7 % au cours de la période d’étude d’une année. Les cinq médicaments le plus souvent en cause dans les événements indésirables étaient la vancomycine, la ciprofloxacine, la ceftriaxone, la pipéracilline-tazobactam et la moxifloxacine.Conclusions : Le taux d’EIM durant les hospitalisations était important. Ces événements pourraient exiger des évaluations et des interventions supplémentaires et ils pourraient prolonger le séjour à l’hôpital. Les auteurs ne recommandent pas l’utilisation du Trigger Tool for Measuring Adverse Drug Events de l’IHI pour procéder à une détection prospective efficace des EIM lors d’une analyse manuelle des dossiers médicaux. L’un des moyens qui permettraient d’améliorer l’utilité de cet outil serait de l’inclure dans un système de dossiers de santé informatisés muni d’une fonction pour détecter automatiquement les éléments déclencheurs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,093

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0100,010
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,196
Tête enseignante GPT0,440
Écart entre enseignants0,244 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2014
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Hospital PharmacyMême sujetPharmacovigilance and Adverse Drug ReactionsTravaux en français237 207