Unintended Medication Discrepancies at the Time of Hospital Admission
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
BACKGROUND: Prior studies suggest that unintended medication discrepancies that represent errors are common at the time of hospital admission. These errors are particularly worthy of attention because they are not likely to be detected by computerized physician order entry systems. METHODS: We prospectively studied patients reporting the use of at least 4 regular prescription medications who were admitted to general internal medicine clinical teaching units. The primary outcome was unintended discrepancies (errors) between the physicians' admission medication orders and a comprehensive medication history obtained through interview. We also evaluated the potential seriousness of these discrepancies. All discrepancies were reviewed with the medical team to determine if they were intentional or unintentional. All unintended discrepancies were rated for their potential to cause patient harm. RESULTS: After screening 523 admissions, 151 patients were enrolled based on the inclusion criteria. Eighty-one patients (53.6%; 95% confidence interval, 45.7%-61.6%) had at least 1 unintended discrepancy. The most common error (46.4%) was omission of a regularly used medication. Most (61.4%) of the discrepancies were judged to have no potential to cause serious harm. However, 38.6% of the discrepancies had the potential to cause moderate to severe discomfort or clinical deterioration. CONCLUSIONS: Medication errors at the time of hospital admission are common, and some have the potential to cause harm. Better methods of ensuring an accurate medication history at the time of hospital admission are needed.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,002 | 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