Repeat adverse drug events associated with outpatient medications: a descriptive analysis of 3 observational studies in British Columbia, Canada
Notice bibliographique
Résumé
BACKGROUND: Adverse drug events are an important cause of preventable emergency department visits and hospital admissions. We examined repeat adverse drug events associated with outpatient medications resulting in acute care utilization. METHODS: This descriptive analysis combined data from 3 prospective multicentre observational studies, in which clinical pharmacists and physicians independently evaluated patients who visited the emergency department for adverse drug events in 3 hospitals in British Columbia. During these studies, an independent committee adjudicated all discordant and uncertain cases using a standardized algorithm. For the current study, we retrospectively reviewed the medical and research records of all patients 19 years of age and older who had been diagnosed with an adverse drug event during the primary studies to determine the proportion of repeat events. We used multivariable logistic regression to identify factors associated with repeat events; we adjusted for clustering at the hospital level for patient-level analyses and at the patient level for event-level analyses. RESULTS: Among 12 977 patients, 1178 were diagnosed with 1296 adverse drug events at the point of care. Of these events, 32.5% (421 of 1296; 95% confidence interval [CI] 29.8%-35.1%) were repeat events, of which 75.3% (317 of 421; 95% CI 71.1%-79.5%) were deemed probably or definitely preventable as re-exposure to the culprit medication or repeat withdrawal of an indicated medication was inconsistent with best medical practice. Patients presenting with repeat events were more likely to have renal failure (odds ratio [OR] 2.01; 95% CI 1.32%-3.07%) or a mental health diagnosis (OR 1.39; 95% CI 1.02%-1.88%). INTERPRETATION: A high proportion of adverse drug events were repeat events, most of which were deemed preventable. Interventions to ensure that care providers are aware of previously diagnosed adverse drug events when prescribing or dispensing need to be developed and evaluated and may reduce unintentional re-exposures to previously harmful medications.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».