What causes prescribing errors in children? Scoping review
Notice bibliographique
Résumé
OBJECTIVES: (1) Systematically assemble, analyse and synthesise published evidence on causes of prescribing error in children. (2) Present results to a multidisciplinary group of paediatric prescribing stakeholders to validate findings and establish how causative factors lead to errors in practice. DESIGN: Scoping review using Arksey and O'Malley's framework, including stakeholder consultation; qualitative evidence synthesis. METHODS: We followed the six scoping review stages. (1) Research question-the research question was 'What is known about causes of prescribing error in children?' (2) Search strategy-we searched MEDLINE, EMBASE, CINAHL (from inception to February 2018), grey literature and reference lists of included studies. (3) Article selection-all published evidence contributing information on the causes of prescribing error in children was eligible for inclusion. We included review articles as secondary evidence to broaden understanding. (4) Charting data-results were collated in a custom data charting form. (5) Reporting results-we summarised article characteristics, extracted causal evidence and thematically synthesised findings. (6) Stakeholder consultation-results were presented to a multidisciplinary focus group of six prescribing stakeholders to establish validity, relevance and mechanisms by which causes lead to errors in practice. RESULTS: . Primary evidence clarifying causes was lacking. CONCLUSIONS: Specific factors complicate prescribing for children and increase risk of errors. Primary research is needed to confirm and elaborate these causes of error. In the meantime, this review uses existing evidence to make provisional paediatric-specific recommendations for policy, practice and education.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».