Use and impact of technology-assisted workflow (TAWF) systems for drug compounding in pharmacy practice: a scoping literature review
Notice bibliographique
Résumé
Abstract Objectives The aim of this study was to review studies describing the use and the impact of technology-assisted workflow (TAWF) systems for drug compounding in hospital pharmacy. Content This is a scoping literature review. A search was conducted on studies describing or evaluating the use of TAWF published from January 1st, 2015 to July 31st, 2021. Two databases were searched (PubMed and Embase), followed by a search on Google Scholar. Summary 218 articles were screened and 17 were identified as meeting the inclusion criteria. TAWFs all included preparation assistance software (17/17), barcode reader (17/17), photo or video taking (17/17), and some included gravimetric systems (8/17), and the use of robots (2/17). A majority of the studies included used technology for parenteral preparations (15/17, one for oral preparations only (1/17), and one used technology for both types of preparations (1/17). Most of the articles selected presented drugs prepared for adults (10/17), the others presented drugs intended for children (4/17) or for a mix of adults and children (3/17). Four parameters were evaluated: error detection rate (n=15), preparation and validation time (n=7), and costs generated or saved (n=7). Ten studies evaluated the pre-post impact of implantation of a TAWF (10/17). Outlook Given the heterogeneity of the data available, the use of TAWF was associated with an increased ability to detect preparation errors, a reduction in preparation time and costs, and increased satisfaction of pharmacy technicians and pharmacists. However, better quality studies are needed to confirm the positive impacts studied.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».