Evaluation of Medication Errors in a Tertiary Care Hospital of a Low- to Middle-Income Country
Notice bibliographique
Résumé
Introduction Medication errors (MEs) are a major public health concern as they are detrimental to patient safety, compromise patients' confidence in the healthcare system, increase healthcare costs, and adversely affect the patient's quality of life. This is especially true in low to middle-income countries where the significance of MEs is largely undervalued. This study aims to investigate the prevalence of MEs and analyze the causes, medicines involved, reporting, and severity of MEs in a tertiary care setting. Methods A prospective observational study was conducted from March 2020 to February 2021 in a tertiary care teaching hospital in South India. The data was collected after reviewing patient medical records, by interviewing patients and healthcare professionals. National Coordinating Council for Medication Error Reporting and Prevention (NCC MERP) index was used to evaluate MEs. Results A total of 557 MEs were identified from 3798 patients with a prevalence of 14.6%. Prescribing errors were the most commonly observed ME followed by errors related to documentation of medical records, administration-related errors, and dispensing errors. Lack of time for documentation of medication records, shift change and work overload were common causes of MEs. The majority of MEs were category A and B of the NCC MERP severity index. Conclusion Antibiotics and proton pump inhibitors were the most common medicines involved in MEs. Prescribing and documentation errors were most prevalent. Implementation of systems like strict adherence to treatment guidelines, computerized provider order entry (CPOE), barcode medication administration, and closed-loop electronic medication management systems may greatly help reduce MEs. All healthcare institutions should undertake routine audits to determine the prevalence and causes of medication errors.
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 | 0,001 |
| 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) | 0,000 | 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 ».