Medication Prescribing Errors on a Surgery Service – Addressing the Gap with a Curriculum for Surgery Residents: A Prospective Observational Study
Notice bibliographique
Résumé
Abstract Background Medication prescribing errors are a source of morbidity and mortality on surgical wards, however educational interventions with proven effectiveness to reduce these errors are lacking. Our objective was to design, implement, and assess the effectiveness of a curriculum designed to reduce medication prescribing errors on a surgery service at an academic hospital without electronic order entry. Methods This was a prospective observational cohort study at a Canadian academic hospital. A medication prescribing curriculum for surgery residents was developed and implemented in July 2019. All general surgery residents (n = 16) at our institution were eligible; 13 (81%) participated. Medication prescribing errors were tracked pre-curriculum implementation (July 1, 2018-June 30, 2019) and post-curriculum (July 1-December 31, 2019). Medication prescribing errors were classified as prescription-writing (PW) or decision-making (DM). Results There were 87.5 (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. Post-implementation, there were 78.7 (10.3) total errors monthly with 43.3 (9.5) PW and 35.3 (4.2) DM errors. There were significantly fewer total errors monthly in the first quarter (July–September) of the academic year post-curriculum implementation versus pre-implementation (77.7(12.7) vs. 107.3(8.1); p = 0.035) with significantly fewer PW errors monthly (40.7(13.2) vs. 68.7(9.3); p = 0.046) and no difference in DM errors monthly (37.0(2.0) vs. 38.7(5.7); p = 0.671). Conclusions Medication prescribing errors on a surgical service occurred both from prescription-writing and decision-making. Educational interventions, such as our medication prescribing curriculum, can decrease errors related to prescription writing, however the effect appears diminish 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.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».