Preventable adverse drug events causing hospitalisation: identifying root causes and developing a surveillance and learning system at an urban community hospital, a cross-sectional observational study
Notice bibliographique
Résumé
OBJECTIVES: To identify root causes of preventable adverse drug events (pADEs) contributing to hospital admission; to develop key messages which identify actions patients/families and healthcare providers can take to prevent common pADEs found; to develop a surveillance learning system for the community. METHODS: Cross-sectional observational study; 120 patients and families, 61 associated healthcare providers were interviewed then root cause analysis was performed to develop key learning messages and an electronic reporting tool was designed. Most common pADE-related medical conditions and their root causes and most common pADE root causes of entire cohort are reported. RESULTS: Most common pADE-related medical conditions: chronic obstructive pulmonary disease/asthma (13.3%), bleeding (12.5%), hypotension (12%), heart failure (10%), acute kidney injury (5%) and pneumonia (5%). Most common root causes were: providers not confirming that the patient/family understands information given (29.2%), can identify how a medication helps them/have their concerns addressed (16.7%), can identify if a medication is working (14.1%) or causing a side effect (23.3%); can enact medication changes (7.5%); absence of a sick day management plan (12.5%), and other action plans to help patients respond to changes in their clinical status (10.8%); providers not assessing medication use and monitoring competency (19.2%). Ten key learning messages were developed and a pADE surveillance learning system was implemented. CONCLUSIONS: To prevent pADEs, providers need to confirm that patients/families understand information given, how a medication helps them, how to recognise and respond to side effects, how to enact medication changes and follow action plans; providers should assess patient's/families' medication use and monitoring competency.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».