Medication errors among nurses in teaching hospitals in the west of Iran: what we need to know about prevalence, types, and barriers to reporting
Notice bibliographique
Résumé
OBJECTIVES: This study aimed to examine the prevalence and types of medication errors (MEs), as well as barriers to reporting MEs, among nurses working in 7 teaching hospitals affiliated with Kermanshah University of Medical Sciences in 2016. METHODS:A convenience sampling method was used to select the study participants (n=500 nurses).A self-constructed questionnaire was employed to collect information on participants' socio-demographic characteristics (10 items), their perceptions about the main causes of MEs (31 items), and barriers to reporting MEs to nurse managers (11 items).Data were collected from September 1 to November 30, 2016.Negative binomial regression was used to identify the main predictors of the frequency of MEs among nurses. RESULTS:The prevalence of MEs was 17.0% (95% confidence interval, 13.7 to 20.3%).The most common types of MEs were administering medications at the wrong time (24.0%),dosage errors (16.8%), and administering medications to the wrong patient (13.8%).A heavy workload and the type of shift work were considered to be the main causes of MEs by nursing staff.Our findings showed that 45.0% of nurses did not report MEs.A heavy workload due to a high number of patients was the most important reason for not reporting MEs (mean score, 3.57±1.03)among nurses.Being male, having a second unrelated job, and fixed shift work significantly increased MEs among nurses (p=0.001). CONCLUSIONS:Our study documented a high prevalence of MEs among nurses in the west of Iran.A heavy workload was considered to be the most important barrier to reporting MEs among nurses.Thus, appropriate strategies (e.g., reducing the nursing staff workload) should be developed to address MEs and improve patient safety in hospital settings in Iran.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».