Pre-analytical specimen labelling and processing errors in the ICU
Notice bibliographique
Résumé
Introduction: Specimen rejections have been associated with increased in-hospital stay and cost. The majority of errors occur in the pre-analytic phase. Specimen rejection can lead to high rate of recollection, delay in result availability, and high rate of test abandonment. These factors affect patient care and safety. Methods: This study conducted a retrospective review of Patient Safety Learning System (PSLS) reports for the intensive care unit (ICU) at The Ottawa Hospital General Campus (TOH) between 2010 and 2018, and a prospective review using interviews, surveys, and process mapping. Results: From 2098 PSLS reports, 52.6% were related to laboratory specimen collection and processing (pre-analytic phase). Specimen mislabelling with the wrong patient identifier accounted for 9.8% of pre-analytical error reports, while 16.4% of errors were due to non-sufficient quantity (NSQ) of specimen. 12.2 % of pre-analytical error reports involved cytology specimens. Conclusions: Pre-analytical errors are not only costly and resource draining, but may also place a burden on patients. Areas where errors were found include labels and requisitions stored in bedside cabinets, inconsistencies between specimen labels and requisitions, out-dated and difficult to access laboratory manuals, and non-sufficient quantity specimen collection. In the future we hope to start new initiatives to tackle these issues to improve patient safety and hospital efficiencies. This includes the development of a website for the laboratory manual, so that it is more easily accessible and user-friendly. With a new electronic medical record (EMR) system at TOH in 2019, we will explore the affects of pre-analytical processing of specimens.
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 | 0,003 | 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 | 0,001 |
| 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 ».