Peri-Operative Medication Errors in a Tertiary Care Teaching Hospital of a Low-Middle Income Country
Notice bibliographique
Résumé
Abstract BackgroundIdentifying medication errors is one method of improving patient safety. Peri operative anesthetic management of patient includes polypharmacy and various steps prior to drug administration. Our objective was to analyze the medication errors reported in our critical incident reporting system (CIRS) database over the last 15 years (2004-2018) and to review measures taken for improvement based on the reported errors.MethodsAll Critical incidents (CI) reported during January 2004 till December 2018 were retrieved from CIRS database. Medication errors were identified and entered on a data extraction form which included reporting year, patients age, surgical specialty, ASA status, time of incident, phase and type of anesthesia and drug handling, type of error, class of medicine, level of harm, severity of adverse drug event (ADE) and steps taken for improvement.Results 311 medication errors were reported. Fifty two percent errors occurred in ASA II and III patient, and 43% during induction. Sixty % occurred during administration phase and 65 % were due to human error. Thirty seven percent were ADE, 58 of which were significant, 23 serious and five life-threatening errors. Majority errors involved neuromuscular blockers (32%) and opioids (13%).Conclusion Sharing of CI and a lesson to be learnt e-mail, colour coded labels, change in medication trolley lay out, decrease in floor stock and high alert labels were the low-cost steps taken to reduce incidents.Medication errors were more frequent during administration. Twenty eight percent resulted in significant, serious, or life-threatening events.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».