Critical vulnerabilities for diversion of controlled substances in the emergency department: Observations and healthcare failure mode and effect analysis
Notice bibliographique
Résumé
Objectives Drug theft by healthcare workers is a recognized problem in emergency departments (EDs) that can lead to patient, healthcare worker, and organization harm. Diversion takes various forms, including tampering with syringes, pilfering from waste containers and falsely documenting drug administration. Before implementing risk-mitigating interventions, we need a detailed understanding of the vulnerabilities in ED medication-use processes. This study sought to identify the critical failure modes (CFMs) within EDs that increase diversion risk and characterize the system factors contributing to CFMs. Methods Between June 2018 and February 2019, we conducted observations in two Ontario EDs. Observers recorded tasks carried out by nurses, pharmacists, and physicians. We performed a Healthcare Failure Mode and Effect Analysis, informed by the observation data, to proactively identify CFMs in the medication-use processes. Failure modes were coded for their effects on diversion risk and the contributing system factors. Results We identified 28 CFMs that increase diversion risk by enabling inappropriate access to controlled substances or compromising documentation. CFMs are multifactorial, stemming primarily from factors related to person (e.g., intent to divert) and tools/technology (e.g., limited automatic reconciliation of records), followed by organization (e.g., practices that diffuse accountability), environment (e.g., workspaces that obscure illicit behaviours), and task (e.g., unstructured processes leading to lapses). Conclusion The study findings inform opportunities to revise vulnerable processes and bolster safeguards, decreasing diversion risk and protecting patients and healthcare workers.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».