Medication Misadventures Among COVID-19 Patients in Saudi Arabia
Notice bibliographique
Résumé
BACKGROUND: Due to the need for early and effective medications for coronavirus disease (COVID-19), less attention may have been paid to medication safety during this pandemic. OBJECTIVES: This study aimed to examine the incidence, nature, and seriousness of medication errors (MEs) and adverse drug reactions (ADRs) among hospitalized patients with COVID-19. MATERIALS AND METHODS: This is a retrospective study of MEs and ADRs reported at the King Saud Medical City (KSMC) between April 2020 and September 2020. RESULTS: A total of 343 MEs and 416 ADRs were reported during the study period. The incidence of MEs was 19% (19/100). Seventy-five MEs (21.5%) reached the patient but did not cause any harm. Wrong dose (n=101, 29.4%) was the most common type of MEs. Physicians were the most common source of MEs (87.5%). Antibiotics (32%) and antineoplastics (25%) were the most common drug categories involved in MEs and ADRs, respectively. Thirty-nine percent (n=163) of the ADRs were of serious nature. 24% (n=100) required hospitalization, 5% (n=21) were life-threatening, 16 (3.8%) required intervention to prevent permanent impairment or damage, and 6.2% (n=26) resulted in the discontinuation of treatment. CONCLUSION: The reporting of MEs appears to be high among COVID-19 patients in a large tertiary care setting in the Kingdom of Saudi Arabia (KSA). The majority of MEs were caused by dosing errors and errors in drug frequency, mostly ascribed to physicians, which may be indicative of burnout or stress among them. The reporting of MEs and ADRs can be improved by providing incentives to healthcare professionals (HCPs) and promoting a non-punitive culture. Further studies should explore the clinical consequences of medication misadventures in hospitalized COVID-19 patients.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».