Opioid-related harm in a quaternary pediatric hospital: A 5-year review
Notice bibliographique
Résumé
Background: Opioid therapy in pediatrics may be particularly prone to error, yet the incidence of opioid-related medication error and harm has not yet been described in the pediatric inpatient setting.Methods: We reviewed a prospectively compiled medication safety database from November 1, 2012 to October 31, 2017. Reports originated from voluntary reporting, hospital code events, naloxone administrations, and reports of unexpected experiences of patient pain. Time, location, error characteristics, drug, route, prescription, error phase, mechanisms, harm, and outcome were collected for all reports. Error and harm were classified by the National Coordinating Council for Medication Error Reporting and Prevention (NCC MERP) system.Results: Over 697 opioid medication safety reports were included during the study period. Opioids were administered at a rate of 79.26 administrations per 100 patient bed days, with morphine and hydromorphone administered at 62 versus 15 administrations per 100 bed days, respectively. Overall error rate was 0.94 errors per 1,000 patient days. Although the absolute rate of error reporting was greater for morphine (0.65 errors reported per 1,000 opioid administrations) than for hydromorphone, the adjusted incidence of harm was 0.211 per 1,000 hydromorphone administrations compared to 0.086 per 1,000 morphine administrations. 47 opioid errors resulted in harm, and administration errors (29) were almost twice as common as prescribing errors (15).Conclusions: We report and aim to establish a comparative reference point for incidence of opioid-related error and harm adjusted for both hospital bed days and total opioid administrations within the pediatric hospital inpatient setting based on the above findings.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».