Application of the Failure Mode and Effects Analysis (FMEA) to identify vulnerabilities and opportunities for improvement prior to implementing a computerized prescription order entry (CPOE) system in a university hospital oncology clinic
Notice bibliographique
Résumé
INTRODUCTION: Prior to implementing a new computerized prescription order entry (CPOE) application, the potential risks associated with this system were assessed and compared to those of paper-based prescriptions. The goal of this study is to identify the vulnerabilities of the CPOE process in order to adapt its design and prevent these potential risks. METHODS AND MATERIALS: Failure mode and effects analysis (FMEA) was used as a prospective risk-management technique to evaluate the chemotherapy medication process in a university hospital oncology clinic. A multidisciplinary team assessed the process and compared the critical steps of a newly developed CPOE application versus paper-based prescriptions. The potential severity, occurrence and detectability were assessed prior to the implementation of the CPOE application in the clinical setting. RESULTS: The FMEA led to the identification of 24 process steps that could theoretically be vulnerable, therefore called failure modes. These failure modes were grouped into four categories of potential risk factors: prescription writing, patient scheduling, treatment dispensing and patient follow-up. Criticality scores were calculated and compared for both strategies. Three failure modes were prioritized and led to modification of the CPOE design. Overall, the CPOE pathway showed a potential risk reduction of 51% compared to paper-based prescriptions. CONCLUSION: FMEA was found to be a useful approach to identify potential risks in the chemotherapy medication process using either CPOE or paper-based prescriptions. The e-prescription mode was estimated to result in less risk than the traditional paper mode.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».