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 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 | 0,039 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,050 | 0,039 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,012 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».