A Hazard Analysis of Class I Recalls of Infusion Pumps
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The adverse event report of medical devices is one of the postmarket surveillance tools used by regulators to monitor device performance, detect potential device-related safety issues, and contribute to benefit-risk assessments of these products. However, with the development of the related technologies and market, the number of adverse events has also been on the rise, which in turn results in the need to develop efficient tools that help to analyze adverse events monitoring data and to identify risk signals. OBJECTIVE: This study aimed to establish a hazard classification framework of medical devices and to apply it over practical adverse event data on infusion pumps. Subsequently, it aimed to analyze the risks of infusion pumps and to provide a reference for the risk management of this type of device. METHODS: The authors define a general hierarchical classification of medical device hazards. This classification is combined with the Trace Intersecting Theory to form a human-machine-environment interaction model. Such a model was applied to the dataset of 2001 to 2017 class I infusion pump recalls extracted from the Food and Drug Administration (FDA) website. This dataset does not include cases involving illegal factors. RESULTS: The proposed model was used for conducting hazard analysis on 70 cases of class I infusion pump recalls by the FDA. According to the analytical results, an important source of product technical risk was that the infusion pumps did not infuse accurate dosage (ie, over- or underdelivery of fluid). In addition, energy hazard and product component failure were identified as the major hazard form associated with infusion pump use and as the main direct cause for adverse events in the studied cases, respectively. CONCLUSIONS: The proposed human-machine-environment interaction model, when applied to adverse event data, can help to identify the hazard forms and direct causes of adverse events associated with medical device use.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découle