Performance of trigger tools in identifying adverse drug events in emergency department patients: a validation study
Notice bibliographique
Résumé
AIMS: Trigger tools are retrospective surveillance methods that can be used to identify adverse drug events (ADEs), unintended and harmful effects of medications, in medical records. Trigger tools are used in quality improvement, public health surveillance and research activities. The objective of the study was to evaluate the performance of trigger tools in identifying ADEs. METHODS: This study was a sub-study of a prospective cohort study which enrolled adults presenting to one tertiary care emergency department. Clinical pharmacists evaluated patients for ADEs at the point-of-care. Twelve months after the prospective study's completion, the patients' medical records were reviewed using eight different trigger tools. ADEs identified using each trigger tool were compared with events identified at the point-of-care. The primary outcome was the sensitivity of each trigger tool for ADEs. RESULTS: Among 1151 patients, 152 (13.2%, 95% confidence intervals (CI) 11.4, 15.3%) were diagnosed with one or more ADEs at the point-of-care. The sensitivity of the trigger tools for detecting ADEs ranged from 2.6% (95% CI 0.7, 6.6%) to 15.8% (95% CI 10.6, 22.8%). Their specificity varied from 99.3% (95% CI 98.6, 99.7) to 100% (95% CI 99.6, 100%). CONCLUSION: The trigger tools examined had poor sensitivity for identifying ADEs in emergency department patients, when applied manually and in retrospect. Reliance on these methods to detect ADEs for quality improvement, surveillance, and research activities is likely to underestimate their occurrence, and may lead to biased estimates.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».