Responding to the challenge of look-alike, sound-alike drug names
Notice bibliographique
Résumé
Despite significant advances in medication safety, errors related to confusion between drug names are a cause of preventable adverse events and serious harm,1 and remain a patient safety priority.2 ,3 Although drug name confusion is recognised as a factor contributing to error, its minimisation or elimination is a prevailing challenge.4 ,5 In this issue, Schroeder et al 6 postulate that despite industry's efforts to follow regulators' guidance7 on how to review drug names, more objective evidence, in a standardised format, is needed to improve decision-making about the acceptability of a name. To address this concern, the authors assessed the association between error rates in laboratory-based tests of drug name memory and perception and rates of real-world errors related to drug name confusion. We commend the authors for their contribution to this important area of study. Results from a study of a postmarket strategy for preventing drug name errors (ie, Tallman lettering) with look-alike, sound-alike (LASA) drug names did not demonstrate effectiveness in reducing medication errors.8 ,9 Reliable strategies for preventing drug name confusion errors, before they reach the market, are needed. The authors present a validated approach that provides an opportunity for identifying confusing drug names during the premarket phase with the goal of identifying safer names for products and preventing the associated costs when LASA drug names are identified postmarket. Here, we comment briefly on the article with the aim of provoking further reflection upon some of the fundamental issues surrounding assessment of LASA drug names and to protect patients from potentially harmful medication errors. The findings of the thoughtfully executed study by Schroeder et al represent an important contribution to knowledge about the …
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».