An Evidence-based Framework for Reporting Student Nurse Medication Incidents: Errors, Near Misses and Discovered Errors
Notice bibliographique
Résumé
Purpose: To share an evidence-based framework for reporting and analysing three types of medication incidents in an undergraduate nursing program. Incident types include errors, near misses and discovered errors. Background: Medication errors are underreported. Published studies on errors by nursing students indicate that although errors occur during clinical placements, there is a lack of consensus on how the factors that contributed to the errors are reported and analyzed. This limits our understanding of the factors that impact safe medication administration and reduces our ability to apply this knowledge to education and practice. Method: Quality improvement project. Results: Our reporting framework quantifies system factors that are supported by the literature as contributing to errors but not usually captured in incident reporting. Contributing factors for errors and near misses varied. This finding has not been documented in the literature. Conclusion: Nursing schools should prepare nursing students with a strong commitment to report all incidents and provide them with the competencies and a reporting system that allows them to report efficiently and effectively. As these graduates enter the workforce, they can influence the reporting practices of seasoned nurses. The ten factor framework provides nursing schools with the ability to quantify the individual and system factors that influence the safety of the student nurse medication administration process and the opportunity to implement strategies to reduce and/or prevent these incidents from occurring.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,285 | 0,349 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,014 |
| Bibliométrie | 0,073 | 0,019 |
| Études des sciences et des technologies | 0,009 | 0,016 |
| Communication savante | 0,017 | 0,016 |
| Science ouverte | 0,015 | 0,016 |
| Intégrité de la recherche | 0,009 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».