An order set and checklist improve physician transfusion ordering practices to mitigate the risk of transfusion‐associated circulatory overload
Notice bibliographique
Résumé
OBJECTIVES AND BACKGROUND: There are few studies of quality interventions to mitigate the risk of transfusion-associated circulatory overload (TACO). Our aim was to reduce TACO risk in patients admitted to internal medicine at our hospital, by addressing gaps in transfusion practice. MATERIALS AND METHODS: A 3-month baseline audit of red blood cell (RBC) transfusion orders was conducted. An intervention consisting of a transfusion order set and physician checklist was developed and implemented based on identified gaps, followed by a 3-month post-intervention audit. Compliance with appropriateness criteria for RBC transfusion was ascertained, along with documentation of transfusion rate, diuretic usage and consent. RESULTS: A total of 97 transfusion orders from 68 inpatients and 95 orders from 62 inpatients were audited in the baseline and post-intervention groups, respectively. Compliance with appropriateness criteria was similar pre- and post-intervention (87 versus 85%, P = 0·81). Specification of transfusion rate improved (84 versus 98%, P < 0·01), and diuretics were appropriately ordered more frequently for patients with TACO risk factors (37 versus 64%, P < 0·01). Timing of diuretics shifted from between or post-transfusion to pre-transfusion (35 versus 86%, P < 0·01), without increases in hypokalemia or acute kidney injury. No case of TACO was observed during the study. Documentation of specific risks discussed during consent discussion improved (4 versus 23%, P < 0·01). CONCLUSION: A checklist and order set are tools that can improve the quality of transfusion orders by increasing the judicious use of pre-transfusion diuretics and augmenting the specification of transfusion rate. These interventions could be adapted to electronic order formats to improve transfusion safety.
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 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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».