Medication errors in veterinary anesthesia: a literature review
Notice bibliographique
Résumé
OBJECTIVE: To provide an overview of medication errors (MEs) in veterinary medicine, with a focus on the perianesthetic period; to compare MEs in veterinary medicine with human anesthesia practice, and to describe factors contributing to the risk of MEs and strategies for error reduction. DATABASES USED: PubMed and CAB abstracts; search terms: [("patient safety" or "medication error∗") AND veterin∗]. CONCLUSIONS: Human anesthesia is recognized as having a relatively high risk of MEs. In veterinary medicine, MEs were among the most commonly reported medical error. Predisposing factors for MEs in human and veterinary anesthesia include general (e.g. distraction, fatigue, workload, supervision) and specific factors (e.g. requirement for dose calculations when dosing for body mass, using several medications within a short time period and preparing syringes ahead of time). Data on MEs are most commonly collected in self-reporting systems, which very likely underestimate the true incidence, a problem acknowledged in human medicine. Case reports have described a variety of MEs in the perianesthetic period, including prescription, preparation and administration errors. Dogs and cats were the most frequently reported species, with MEs in cats more commonly associated with harmful outcomes compared with dogs. In addition to education and raising awareness, other strategies described for reducing the risk of MEs include behavioral, communication, identification, organizational, engineering and cognitive aids.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».