The Importance of Medication Errors Reporting in Improving the Quality of Clinical Care Services
Notice bibliographique
Résumé
INTRODUCTION: Medication errors have significant implications on patient safety. Error detection through an active management and effective reporting system discloses medication errors and encourages safe practices. OBJECTIVES: To improve patient safety through determining and reducing the major causes of medication errors (MEs), after applying tailored preventive strategies. METHODOLOGY: A pre-test, post-test study was conducted on all inpatients at a 177 bed hospital where all medication procedures in each ward were monitored by a clinical pharmacist. The patient files were reviewed, as well. Error reports were submitted to a hospital multidisciplinary committee to identify major causes of errors. Accordingly, corrective interventions that consisted of targeted training programs for nurses and physicians were conducted. RESULTS: Medication errors were higher during ordering/prescription stage (38.1%), followed by administration phase (20.9%). About 45% of errors reached the patients: 43.5% were harmless and 1.4% harmful. 7.7% were potential errors and more than 47% could be prevented. After the intervention, error rates decreased from (6.7%) to (3.6%) (P≤0.001). CONCLUSION: The role of a ward based clinical pharmacist with a hospital multidisciplinary committee was effective in recognizing, designing and implementing tailored interventions for reduction of medication errors. A systematic approach is urgently needed to decrease organizational susceptibility to errors, through providing required resources to monitor, analyze and implement effective interventions.
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 | 0,024 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».