Systemic analysis of medication administration omission errors in a tertiary-care hospital in Quebec
Notice bibliographique
Résumé
OBJECTIVE: Medication administration omission errors (MAOEs) occur frequently in hospitals and can significantly affect patient health. An interdisciplinary committee was formed in summer 2012 to analyse incident/accident reports (AH-223-1 forms) of MAOEs for the 2011-2012 fiscal year in order to identify contributing factors and to propose preventive solutions. Special attention was paid to events with consequences for patients. METHOD: An aggregate data analysis involving four major steps was conducted: sampling, categorisation, identification of contributing factors, and seeking preventive solutions. One hundred omissions were randomly selected from the 889 reported for this period. All omissions categorised as having had consequences for patients were then added, making a final total of 145 omissions. The omissions were categorised using an Ishikawa diagram developed from an exploratory literature review and process mapping. Subsequent to failure modes, effects and criticality analysis, cause-and-effect diagrams were constructed with the main prioritised categories to differentiate the proximal causes from the root causes. Brainstorming was used to develop solutions, which were then prioritised with an impact/effort matrix. RESULTS: This study identified 27 categories of MAOEs, of which the 7 most frequent and the most critical accounted for 79.3% of the reports. The event categories, in decreasing order of importance, were related to intravenous (IV) therapy (29.0%), failure in using the medication administration record (MAR; 23.4%), failure in creating/updating the MAR (10.3%), medications on the patient's bedside (7.6%), and three types of MAOEs related to transcribing prescriptions (9.0%). CONCLUSION: The interdisciplinary committee formulated 10 main recommendations related to these 7 categories, including 3 for IV therapy and 4 for failure in using or creating/updating the MAR.
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».