Adverse Drug Event Reporting From Clinical Care: Mixed-Methods Analysis for a Minimum Required Dataset
Notice bibliographique
Résumé
BACKGROUND: Patients commonly transition between health care settings, requiring care providers to transfer medication utilization information. Yet, information sharing about adverse drug events (ADEs) remains nonstandardized. OBJECTIVE: The objective of our study was to describe a minimum required dataset for clinicians to document and communicate ADEs to support clinical decision making and improve patient safety. METHODS: We used mixed-methods analysis to design a minimum required dataset for ADE documentation and communication. First, we completed a systematic review of the existing ADE reporting systems. After synthesizing reporting concepts and data fields, we conducted fieldwork to inform the design of a preliminary reporting form. We presented this information to clinician end-user groups to establish a recommended dataset. Finally, we pilot-tested and refined the dataset in a paper-based format. RESULTS: We evaluated a total of 1782 unique data fields identified in our systematic review that describe the reporter, patient, ADE, and suspect and concomitant drugs. Of these, clinicians requested that 26 data fields be integrated into the dataset. Avoiding the need to report information already available electronically, reliance on prospective rather than retrospective causality assessments, and omitting fields deemed irrelevant to clinical care were key considerations. CONCLUSIONS: By attending to the information needs of clinicians, we developed a standardized dataset for adverse drug event reporting. This dataset can be used to support communication between care providers and integrated into electronic systems to improve patient safety. If anonymized, these standardized data may be used for enhanced pharmacovigilance and research activities.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».