Preventable adverse drug events: Descriptive epidemiology
Notice bibliographique
Résumé
AIM: Our objective was to identify preventable adverse drug events and factors contributing to their development. METHODS: We performed a retrospective chart review combining data from three prospective multicentre observational studies that assessed emergency department patients for adverse drug events. A clinical pharmacist and physician independently reviewed the charts, extracted data and rated the preventability of each adverse drug event. A third reviewer adjudicated all discordant or uncertain cases. We calculated the proportion of adverse drug events that were deemed preventable, performed multivariable logistic regression to explore the characteristics of patients with preventable events, and identified contributing factors. RESULTS: We reviewed the records of 1 356 adverse drug events in 1 234 patients. Raters considered 869 (64.1%) of adverse drug events probably or definitely preventable. Patients with mental health diagnoses (OR 1.8; 95% CI 1.3-2.5) and diabetes (OR 1.7; 95% CI 1.2-2.4) were more likely to present with preventable events. The medications most commonly implicated in preventable events were warfarin (9.4%), hydrochlorothiazide (4.5%), furosemide (4.0%), insulin (3.9%) and acetylsalicylic acid (2.7%). Common contributing factors included inadequate patient instructions, monitoring and follow-up, and reassessments after medication changes had been made. CONCLUSIONS: Our study suggests that patients with mental health conditions and diabetes require close monitoring. Efforts to address the identified contributing factors are needed.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
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 ».