MétaCan
Menu
Retour à la cohorte
Enregistrement W2334955624 · doi:10.3821/1913-701x-143.6.296

Perceptions of Community Pharmacy Staff regarding Strategies to Reduce and to Improve the Reporting of Medication Incidents

2010· article· en· W2334955624 sur OpenAlexaffvenue
Andrea C. Scobie, Todd A. Boyle, Neil J. MacKinnon, Heidi Deal, Tom Mahaffey

Notice bibliographique

RevueCanadian Pharmacists Journal / Revue des Pharmaciens du Canada · 2010
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient Safety and Medication Errors
Établissements canadiensSt. Francis Xavier UniversityDalhousie University
Organismes subventionnairesnon disponible
Mots-clésPharmacyMultivariate analysis of varianceLikert scaleFamily medicineTest (biology)PerceptionMedical prescriptionPsychologyMedicineNursingDescriptive statisticsMedical education

Résumé

récupéré en direct d'OpenAlex

Background: Medication incidents can have serious consequences for the health of patients and the perceived safety of community pharmacy practice. This study was designed to assess the perceptions of pharmacy staff members about various strategies for reducing and improving the reporting of medications incidents, with the ultimate goal of helping pharmacy managers to determine which practices are likely to be widely accepted. Methods: Staff members of community pharmacies were recruited from 13 pharmacies in Nova Scotia. This convenience sample consisted of pharmacists, pharmacy managers and owners, and pharmacy support staff (i.e., technicians, interns and pharmacy students). The questionnaire had 5 sections, including sections on demographic characteristics, organizational culture within the pharmacies, strategies for reducing and for improving the reporting of medication incidents and existing reporting processes and desired changes, along with an open-ended section on reporting of medication incidents in general. The current article reports data from the 20-question section that sought respondents' perceptions, according to a Likert-type scale, of selected practices for reducing medication incidents and for identifying and disclosing any such incidents that do occur. Multivariate analysis of variance (MANOVA) was used to examine overall differences in mean ratings for various strategies by staff group or ownership type. Follow-up univariate analysis and Tukey test were used to examine differences in staff groups and ownership types for each reduction and reporting strategy. Correlation analyses were performed to determine strategies for which individual respondents had similar perceptions. Only pairs of strategies with moderate or strong correlations ( r ≥ 0.60) are discussed. Results: MANOVA indicated significant differences in the perceived effectiveness of various strategies for reducing and for improving the reporting of medication incidents. Respondents indicated that having clinical pharmacists help physicians to select drug therapies would be the most effective strategy to reduce the frequency of medication incidents, and they thought that sharing with colleagues any lessons learned from incidents that did occur and assuring anonymity of reporting would be the most effective ways to increase the reporting of medication incidents. Conclusions: Instituting strategies for reducing and enhancing the reporting of medication incidents that are viewed as effective by pharmacy staff members may help to increase reporting rates and to reduce the number of such incidents occurring at the community pharmacy.

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)0,005
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: Présentation des résultats · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,999
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,018
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
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 Opus0,100
Tête enseignante GPT0,434
Écart entre enseignants0,333 · 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.

Devis d'étudeQualitatif
DomainePrésentation des résultats
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

Citations3
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCanadian Pharmacists Journal / Revue des Pharmaciens du CanadaMême sujetPatient Safety and Medication ErrorsTravaux en français237 207