Registration errors among patients receiving blood transfusions: a national analysis from 2008 to 2017
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: The key first step for a safe blood transfusion is patient registration for identification and linking to past medical and transfusion history. In Canada, any deviation from standard operating procedures in transfusion is an error voluntarily reportable to a national database (Transfusion Error Surveillance System [TESS]). We used this database to characterize the subset of registration-related errors impacting transfusion care, including where, when and why the errors occurred, and to identify frequent high-risk errors. MATERIALS AND METHODS: A retrospective analysis was conducted on transfusion errors reported to TESS by sentinel reporting sites relating to patient registration and patient armbands, between 2008 and 2017. Free-text comments describing the error were coded to further categorize into common error types. The number of specimens received in the transfusion laboratory was used as the denominator for rates to allow for comparison between hospital sites. RESULTS: Five hundred and fifty-four registration errors were reported from 10 hospitals, for a global error rate of 5·4/10 000 samples (median 5·0 [interquartile range 3·7-7·0]). The potential severity was high in 85·7% of errors (n = 475). The patient experienced a consequence in 10·8% of errors (n = 60), but none resulted in patient harm. Rates varied widely and differed by nature across sites. Errors most commonly occurred in outpatient clinics or procedure units (n = 160, 28·8%) and in emergency departments (n = 130, 23·5%). CONCLUSION: Registration errors affect transfusion at every step and location in the hospital and are commonly high risk. Further research into common root causes is warranted to identify preventative strategies.
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 | 0,000 |
| 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) | 0,001 | 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 ».