Diversion of Controlled Drugs in Hospitals: A Scoping Review of Contributors and Safeguards
Notice bibliographique
Résumé
Drug losses and theft from the healthcare system are accelerating; hospitals are pressured to implement safeguards to prevent drug diversion. Thus far, no reviews summarize all known risks and potential safeguards for hospital diversion. Past incidents of hospital drug diversion have impacted patient and staff safety, increased hospital costs, and resulted in infectious disease outbreaks. We searched MEDLINE, Embase, PsycINFO, CINAHL, Scopus, and Web of Science databases and the gray literature for articles published between January 2005 and June 2018. Articles were included if they focused on hospital settings and discussed either: (1) drug security or accounting practices (any drug) or (2) medication errors, healthcare worker substance use disorder, or incident reports (only with reference to controlled drugs). We included 312 articles and extracted four categories of data: (1) article characteristics (eg, author location), (2) article focus (eg, clinical areas discussed), (3) contributors to diversion (eg, factors enabling drug theft), and (4) diversion safeguards. Literature reveals a large number of contributors to drug diversion in all stages of the medication-use process. All health professions and clinical units are at risk. This review provides insights into known methods of diversion and the safeguards hospitals must consider to prevent them. Careful configuration of healthcare technologies and processes in the hospital environment can reduce the opportunity for diversion. These system-based strategies broaden the response to diversion beyond that of individual accountability. Further evidence is urgently needed to address the vulnerabilities outlined in this review and prevent harm.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».