Learning to prescribe intravenous fluids: A scoping review
Notice bibliographique
Résumé
INTRODUCTION: Prescribing intravenous (IV) fluid therapy is a core skill expected of qualified doctors at the point of graduation, but medical graduates often feel ill-equipped to perform this task. This lack of preparedness contributes to treatment-related patient harm. This scoping review maps the current state of published evidence about how junior doctors prescribe IV fluid therapy and learn how to do it. METHODS: We searched five electronic databases and grey literature from 1994 until June 2016 for articles describing any aspect of IV fluid prescribing practice or its education. A total of 63 articles were selected for analysis. Using the WHO Guide to Good Prescribing to categorize the extracted findings, our review focuses on prescribing IV fluids in adult generalist settings. RESULTS: Most articles studied IV fluid prescribing from the perspective of the doctor. Junior clinicians struggled to conceptualize IV fluid prescribing as a 'whole task' in authentic work settings and lacked support. Educational interventions to improve IV fluid prescribing often focused on enhancing prescriber knowledge about fluid and electrolyte balance rather than execution of the prescribing task. CONCLUSIONS: Our understanding of IV fluid prescribing as a holistic integrated skill is patchy, as is its performance. Current IV fluid prescribing education appears insufficient to foster safe and effective practice. For education to achieve the ultimate goal of safer prescribing in workplaces, we need a clearer understanding of how healthcare professionals prescribe IV fluids in real world practice.
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 | 0,001 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».