Closed-Loop Medication System: Leveraging Technology to Elevate Safety
Notice bibliographique
Résumé
BACKGROUND: Healthcare organizations have long been dependent on the vigilance of nurses to identify and intercept medication errors before they can adversely affect patients. New technologies have been implemented in an effort to reduce medication errors; however, few studies have evaluated the long-term effects of technology-based interventions in reducing medication errors. AIM: The aim of this study was to evaluate the effects of barcode medication administration (BCMA) and the closed-loop medication system (CLMS) interventions on medication errors and adverse drug event (ADE) rates. METHODS: An autoregressive integrated moving average model for interrupted time series design was used to evaluate the impact of the BCMA and CLMS interventions on the monthly reported medication error and ADE rates at Humber River Hospital between September 2013 and August 2018. Descriptive statistics were generated to evaluate the types of error and their gravity. RESULTS: A total of 1,712 medication errors and ADEs were reported in the five-year study period. The results of the interrupted time series indicated that the introduction of the BCMA intervention was associated with a statistically significant gradual decrease in reported medication error and ADE rates at 0.002 percentage points per month (p = 0.003). The introduction of the CLMS intervention was associated with an immediate absolute decrease in reported medication error and ADE rates of 0.010% (p = 0.020). CONCLUSIONS: The findings from this study support the adoption of both BCMA and CLMS interventions to prevent medication errors. Staged implementation of CLMS allows time for learning and incorporating barcode scanning. Interprofessional and cross-functional collaboration is necessary to successfully integrate the requirements of each respective discipline and service in the CLMS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 0,006 |
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 ».