Effect of educational intervention on healthcare providers knowledge and perception towards pharmacovigilance: A tertiary teaching hospital experience
Notice bibliographique
Résumé
OBJECTIVE: Based on the theory on planned behavior, perception or attitude is found to be a well-established predictor of healthcare providers' intentions to perform different behaviors. Also, improving knowledge was proposed to affect their practice as well. In Jordan, many studies have been conducted to evaluate healthcare providers' knowledge and perception towards pharmacovigilance but no intervention or training was provided. Thus, the aim of this study was to evaluate the impact of an educational workshop on the knowledge and perception of healthcare providers towards pharmacovigilance in a Jordanian tertiary teaching hospital. METHODS: An interventional study conducted in Jordan University Hospital on various healthcare providers to assess their pre- and post-knowledge and perception towards pharmacovigilance and adverse drug reactions (ADRs) reporting via questionnaire before and after an educational workshop. RESULTS: Among the 200 invited healthcare providers, 150 attended the educational workshop (response rate 75.0%). Pre-workshop, healthcare providers showed an overall low knowledge score (7.8/19), where only 8.7% could define pharmacovigilance correctly. On the other hand, they showed a favorable perception score (33.6/39).Following educational workshop, knowledge scores significantly improved by 67.9% (P-value <0.05). A similar finding was obtained for perception scores, where perception scores significantly improved by 10.1% following workshop (P-value <0.05). CONCLUSION: Continuous efforts are needed to implement different strategies including education modules and the provision of appropriate training programs to increase awareness and improve perception towards pharmacovigilance among healthcare providers. Future study is needed to evaluate the impact of improving knowledge and perception on ADRs reporting 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 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».