Exploring the influencing factors of adverse drug reaction reporting among medical personnel: a COM-B model-based study
Notice bibliographique
Résumé
Background: This study aims to identify the factors that influence medical workers' enthusiasm for reporting adverse drug reactions (ADRs). Understanding these factors is essential to implement targeted interventions that can improve and refine pharmacovigilance systems. Methods: We adopted the Capability, Opportunity, Motivation, and Behavior model (COM-B) model as the theoretical framework and conducted qualitative research using in-depth interviews with clinicians, nurses, pharmacists, and administrators. 24 one-on-one interviews were conducted and audio-recorded. The interviews were transcribed verbatim, and subjected to thematic analysis to uncover the key factors affecting ADR reporting among medical staff. Results: The participation included 24 healthcare workers from six different healthcare organisations. Analysis revealed that decreased motivation to report ADRs was due to inadequate judgment or inconsistent judgment criteria within the capability domain, poor awareness of ADRs and deficient communication skills within the psychological domain, unclear responsibilities within the motivation domain, and limited or no access to necessary resources within the opportunity domain. Facilitators of ADR reporting included sufficient cognitive and operational abilities, spontaneous and incentivized motivation, clear responsibilities and role expectations, and robust social support. Conclusion: There is a critical need to develop comprehensive interventions that address the identified factors influencing ADR reporting. By improving the motivation of medical staff to report ADRs, the pharmacovigilance system can be significantly improved.
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 | 0,008 | 0,010 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».