MétaCan
Menu
Retour à la cohorte
Enregistrement W2347147152 · doi:10.1007/s40801-016-0071-8

Accuracy of Adverse Drug Reaction Documentation upon Implementation of an Ambulatory Electronic Health Record System

2016· article· en· W2347147152 sur OpenAlexaff
Caleb Hui, Régis Vaillancourt, Lissa Bair, Elaine Wong, James W. King

Notice bibliographique

RevueDrugs - Real World Outcomes · 2016
Typearticle
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmacovigilance and Adverse Drug Reactions
Établissements canadiensUniversity of OttawaChildren's Hospital of Eastern Ontario
Organismes subventionnairesnon disponible
Mots-clésDocumentationMedicineAmbulatoryDrug reactionElectronic health recordPharmacyHealth recordsHealth careMedical emergencyAdverse drug reactionPatient safetyAmbulatory careDrugFamily medicinePharmacologyInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Detection, monitoring and treatment of adverse drug reactions (ADRs) are paramount to patient safety. The use of a comprehensive electronic health record (EHR) system has the potential to address inadequacies in ADR documentation and to facilitate ADR reporting to health agencies. However, effective methods to maintain the quality of documented ADRs within an EHR have not been well studied. OBJECTIVE: To evaluate the accuracy and effectiveness of ADR documentation transfer throughout the implementation of a comprehensive EHR system. METHODS: Retrospective analysis of ADR documentation at a tertiary care pediatric hospital between January 2013 and June 2014. ADRs documented in the newly implemented ambulatory EHR, pharmacy system and hybrid health record system were extracted. Documentation inconsistencies and processes for managing ADR documentation within the EHR were reviewed. RESULTS: A total of 115 patients with 260 unique ADRs were identified. Only 155 (60 %) of the identified ADRs were found in the ambulatory EHR system. The remaining 105 ADRs (40 %) were missing from the EHR when it was compared with the other systems. Seventy-two patients (63 %) returned for a follow-up visit, and each had their ADR documentation reviewed in the ambulatory EHR. Following the visit, 44 % of these ambulatory EHR records still included incorrect information. CONCLUSIONS: We identified discrepancies in ADR documentation within hospital systems, which need to be addressed as healthcare institutions transition to EHRs. Processes related to the transfer of ADR information into the EHR should be clearly defined. To improve the quality of ADR documentation, steps to force complete and continual ADR verification should be introduced at early stages of implementation of a new EHR, and all responsible providers should play a role.

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)0,034
score de la tête « metaresearch » (Gemma)0,165
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 enseignants0,034
Score d'incertitude au seuil0,181

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0340,165
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,002
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 Opus0,043
Tête enseignante GPT0,452
Écart entre enseignants0,409 · 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

Citations14
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrugs - Real World OutcomesMême sujetPharmacovigilance and Adverse Drug ReactionsTravaux en français237 207