Dosing of enteral acetaminophen in critically ill children: a cohort study
Notice bibliographique
Résumé
OBJECTIVE: Acetaminophen is the most common medication prescribed in children's hospitals. The aim of the study was to estimate the frequency and risk factors for acetaminophen underdosing and overdosing in the paediatric intensive care unit (PICU). DESIGN: Retrospective cohort of drug administrations in a large tertiary care PICU. PATIENTS: All PICU admissions, less than 18 years of age, admitted between 1 January 2008 and 1 January 2018, having received at least one dose of enteral acetaminophen. METHODS: The primary outcome was acetaminophen underdosing and overdosing, defined as doses exceeding the 10% upper and lower limits of the standard reference range (10-15 mg/kg) and 10% above daily maximum dose (75 mg/kg). A generalised estimating equation regression assessed patient risk factors for single underdosing, single overdosing and cumulative daily overdosing of acetaminophen. RESULTS: Of the 147 485 doses of enteral acetaminophen administered, 7814 (5.3%) were single underdoses (1 in every 19 doses) and 4640 (3.1%) were single overdoses (1 in every 32 doses). There were 6813 cumulative overdose days (1 in every 9 patient-days). Risk factors for both underdosing and overdosing included older age and cardiac admission, whereas risk factors for cumulative overdosing were young age and cardiac admission. Electronic prescribing increased the risk of underdosing and overdosing, but decreased cumulative acetaminophen overdosing (relative risk 0.51, p=0.001). CONCLUSION: Acetaminophen underdosing and overdosing are common in the PICU and can be detected with pharmacoepidemiology. Electronic prescribing increased the risk of single underdosing and overdosing, although it reduced the risk of cumulative overdosing.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».