The impact of transition to a digital hospital on medication errors (TIME study)
Notice bibliographique
Résumé
Digital transformation in healthcare improves the safety of health systems. Within our health service, a new digital hospital has been established and two wards from a neighbouring paper-based hospital transitioned into the new digital hospital. This created an opportunity to evaluate the impact of complete digital transformation on medication safety. Here we discuss the impact of transition from a paper-based to digital hospital on voluntarily reported medication incidents and prescribing errors. This study utilises an interrupted time-series design and takes place across two wards as they transition from a paper to a digital hospital. Two data sources are used to assess impacts on medication incidents and prescribing errors: (1) voluntarily reported medication incidents and 2) a chart audit of medications prescribed on the study wards. The chart audit collects data on procedural, dosing and therapeutic prescribing errors. There are 588 errors extracted from incident reporting software during the study period. The average monthly number of errors reduces from 12.5 pre- to 7.5 post-transition (p < 0.001). In the chart audit, 5072 medication orders are reviewed pre-transition and 3699 reviewed post-transition. The rates of orders with one or more error reduces significantly after transition (52.8% pre- vs. 15.7% post-, p < 0.001). There are significant reductions in procedural (32.1% pre- vs. 1.3% post-, p < 0.001), and dosing errors (32.3% pre- vs. 14% post-, p < 0.001), but not therapeutic errors (0.6% pre- vs. 0.7% post-, p = 0.478). Transition to a digital hospital is associated with reductions in voluntarily reported medication incidents and prescribing errors.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
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 ».