E-prescribing and medication safety in community settings: A rapid scoping review
Notice bibliographique
Résumé
Medication prescribing is essential for the treatment, curing, maintenance, and/or prevention of an illness and disease, however, medication errors remain common. Common errors including prescribing and administration, pose significant risk to patients. Electronic prescribing (e-prescribing) is one intervention used to enhance the safety and quality of prescribing by decreasing medication errors and reducing harm. E-prescribing in community-based settings has not been extensively examined. To map and characterize the current evidence on e-prescribing and medication safety in community pharmacy settings. We conducted a rapid scoping review of quantitative, qualitative, and mixed methods studies reporting on e-prescribing and medication safety. MEDLINE All (OVID), Embase (Elsevier), CINAHL Full Text (EBSCOHost), and Scopus (Elsevier) databases were searched December 2022 using keywords and MeSH terms related to e-prescribing, medication safety, efficiency, and uptake. Articles were imported to Covidence and screened by two reviewers. Data were extracted by a single reviewer and verified by a second reviewer using a standardized data extraction form. Findings are reported in accordance with JBI Manual for Evidence Synthesis following thematic analysis to narratively describe results. Thirty-five studies were included in this review. Most studies were quantitative (n = 22), non-experimental study designs (n = 16) and were conducted in the United States (n = 18). Half of included studies reported physicians as the prescriber (n = 18), while the remaining reported a mix of nurse practitioners, pharmacists, and physician assistants (n = 6). Studies reported on types of errors, including prescription errors (n = 20), medication safety errors (n = 9), dispensing errors (n = 2), and administration errors (n = 1). Few studies examined patient health outcomes, such as adverse drug events (n = 5). Findings indicate that most research is descriptive in nature and focused primarily on rates of prescription errors. Further research, such as experimental, implementation, and evaluation mixed-methods research, is needed to investigate the effects of e-prescribing on reducing error rates and improving patient and health system outcomes.
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 | 0,023 | 0,004 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».