Wireless Smart Infusion Pumps: A Proposed Continuous Quality Improvement Data Analysis Process
Notice bibliographique
Résumé
Purpose:Errors associated with the use of infusion pumps can cause serious harm or death in hospitalized patients and increased costs to the health care system. Our study reviewed the continuous quality improvement (CQI) data collected from a wireless smart infusion pump device implemented at one of the largest Canadian teaching hospitals in a one year period. Methods:We reviewed the CQI summary data usage between April 27, 2014 and April 25, 2015 to assess Dose Error Reduction Software (DERS) compliance with the infusion pump’s master drug library (MDL) and the frequency of drug alerts. Also, we proposed a CQI data analysis process to audit the DERS compliance and frequency of pump alerts.Results:The CQI data indicated that DERS compliance with the infusion pump ranged from 72.14% to 100% depending on pre-defined clinical care areas (CCAs). The birthing unit, oncology, and critical care areas had the largest proportions of pumps alerts compared with the other CCAs. A CQI data analysis process was designed to monitor the performance of the wireless infusion pump system. Conclusions:The study findings provided information on patterns of use and risk reduction opportunities to inform the hospital’s goal to enhance the delivery of quality care and patient safety. We presented a CQI data analysis process to monitor the performance of the wireless infusion pump system, and a plan to evaluate the effectiveness, acceptability and safe implementation of the process at the hospital.
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 | 0,095 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».