Vulnerabilities for Drug Diversion in the Handling, Data Entry, and Verification Tasks of 2 Inpatient Hospital Pharmacies: Clinical Observations and Healthcare Failure Mode and Effect Analysis.
Notice bibliographique
Résumé
OBJECTIVES: Inpatient hospital pharmacies have a central role in managing controlled substances (CS) throughout the hospital medication use process (MUP). Our objectives were to identify vulnerabilities for diversion in the MUPs of 2 inpatient pharmacies, explore differences between the sites, and characterize the types of vulnerabilities identified. METHODS: We conducted clinical observations in 2 pharmacies to map their MUPs and performed a healthcare failure mode and effect analysis to proactively identify (1) the critical failure modes (CFMs) that make them vulnerable to diversion and (2) the controls that prevent, mitigate, or enhance the detectability of CFMs. RESULTS: We conducted 99 hours of observations between May-June and September-October 2018. We observed 36 pharmacy technicians, 4 pharmacists, and 1 clerk as they conducted tasks involving 4 processes common to both sites: procuring CS, receiving CS deliveries to the pharmacy, unit-dose packaging CS oral solids, and distributing CS to hospital units. The tasks and subtasks we mapped in the process flow diagrams led to the identification of 220 failure modes. Of these, 34 were deemed CFMs and were categorized as related to handling CS, data entry, or verification tasks. Three of the CFMs were unique to one site, given that the other site had a control for the CFM. CONCLUSIONS: Multiple vulnerabilities for diversion exist in inpatient pharmacy processes. Our results provide some much needed detail about how specific vulnerabilities in MUP tasks and subtasks lead to an increased risk of diversion.
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 | 0,004 | 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 | 0,001 | 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 | 0,000 |
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 ».