MétaCan
Menu
Retour à la cohorte
Enregistrement W4391146609 · doi:10.1177/23821205241226819

Medication Prescribing Errors on a Surgery Service – Addressing the Gap with a Curriculum for Surgery Residents: A Prospective Observational Study

2024· article· en· W4391146609 sur OpenAlex
Justine Ring, Jesse Maracle, Shannon Zhang, Michelle Methot, Boris Zevin

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueJournal of Medical Education and Curricular Development · 2024
Typearticle
Langueen
DomaineMedicine
ThématiquePharmaceutical Practices and Patient Outcomes
Établissements canadiensKingston Health Sciences CentreUniversity of OttawaQueen's UniversityUniversity of Manitoba
Organismes subventionnairesPhysicians' Services Incorporated Foundation
Mots-clésObservational studyMedicineCurriculumService (business)SurgeryGeneral surgeryMedical educationPsychologyInternal medicineBusinessPedagogy

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES Educational interventions with proven effectiveness to reduce medication prescribing errors are currently lacking. Our objective was to implement and assess the effectiveness of a curriculum to reduce medication prescribing errors on a surgery service. METHODS This was a prospective observational cohort study at a Canadian academic hospital without an electronic order entry system. A pharmacist-led medication prescribing curriculum for surgery residents was developed and implemented over 2 days (2 h/day) in July 2019. Thirteen (76%) out of 17 surgery residents contributed pre-implementation data, while 13 (81%) out of 16 surgery residents contributed post-implementation data. Medication prescribing errors were tracked for 12 months pre-implementation and 6 months post-implementation. Errors were classified as prescription writing (PW) or decision making (DM). RESULTS There were a total of 1050 medication prescribing errors made in the pre-implementation period with 615 (59%) PW errors and 435 (41%) DM. There were a mean of 87.5 (SD = 14.6) total medication prescribing errors per month in the pre-implementation period with 51.3 (11.9) PW and 36.3 (6.0) DM errors. There were a total of 472 medication prescribing errors made in the post-implementation period with 260 (55%) PW and 212 (45%) DM errors. There were a mean of 78.7 (10.3) total medication prescribing errors per month in the post-implementation period with 43.3 (9.5) PW and 35.3 (4.2) DM errors. In the first quarter of the academic year, there were significantly fewer mean total errors per month post-implementation versus pre-implementation (77.7(12.7) versus 107.3(8.1); P = .035), with significantly fewer PW errors per month (40.7(13.2) versus 68.7(9.3); P = .046) and no difference in DM errors per month (37.0(2.0) versus 38.7(5.7); P = .671). There were no differences noted in the second quarter of the academic year. CONCLUSION Medication prescribing errors occurred from PW and DM. Medication prescribing curriculum decreased PW errors; however, a continued education program is warranted as the effect diminished over time.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,095
Score d'incertitude au seuil0,731

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,302
Tête enseignante GPT0,458
Écart entre enseignants0,156 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle