The impact of pharmacist‐led strategies implemented to reduce errors related to cancer therapies: a systematic review
Notice bibliographique
Résumé
Abstract Background Patients with cancer are managed across the whole healthcare spectrum. This complex system of interdependencies has high potential for errors to occur. This is a focus area for pharmacists, who possess the skillset to optimise cancer care across the health care system, identifying errors and other medication‐related problems (MRP). Aim The aim of this study was to identify and describe the impact of the pharmacist’s contribution in reducing cancer therapy‐related errors. Methods A search of English‐language publications in Embase, Medline and CINAHL was conducted. Databases were searched from 1 January 2010 until 29 September 2020 to identify all quantitative studies of a descriptive, observational or experimental design. Articles describing pharmacist‐led interventions in adults receiving one or more cancer therapies including oral chemotherapy, intravenous chemotherapy or immunotherapy compared to no intervention, usual care or a service delivered by another healthcare professional were included. Researchers screened articles to identify eligible studies, and then data were extracted using a standardised data collection sheet. Quality assessment was undertaken using the modified Cochrane and the Newcastle Ottawa risk of bias tools. Data were reported as number or percentage. Results Of 2292 papers identified, nine studies were eligible for inclusion in this review. Pharmacist interventions consistently showed an increased identification of medication errors and medication‐related problems. Pharmacist contributions in many of the included studies comprised medication reviews and monitoring, laboratory monitoring, adverse drug reaction and drug–drug interaction management, adherence monitoring and medication counselling. All studies showed pharmacist intervention in cancer care resulted in fewer errors compared to control arms. Error minimisation was described for parenteral and oral cancer therapies and also for supportive medications such as antiemetics. Conclusion Pharmacists reduce errors and potential patient harm in practice settings where cancer patients are treated. Pharmacists are an integral component of cancer care teams.
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 | 0,011 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,000 | 0,003 |
| 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 ».