Underreporting of adverse events to health authorities by healthcare professionals: a red flag-raising descriptive study
Notice bibliographique
Résumé
BACKGROUND: An adverse event (AE) is any undesirable medical manifestation in an individual who has received pharmacological treatment. To be considered serious (SAE), it needs to meet minimally one of the severity criteria by Health Canada. The most recent data (2006) suggested that AEs were underreported (<6%) to health authorities. In Canada, since the implementation of Vanessa's Law (2019), hospitals are required to report SAEs; however, this law remains relatively unknown. The objectives of the study were: (i) to document the incidence of any AE and SAE over time in a 'real' clinical context, (ii) to quantify SAEs reported to Health Canada, and (iii) to assess whether Vanessa's Law has led to an increase in mandatory reporting to Health Canada. METHODS: We carried out a descriptive retrospective study at the Institut Universitaire de Cardiologie et de Pneumologie de Québec-Université Laval, including 500 patients hospitalized between 1 January 2018 and 31 December 2021 and randomized into 4 cohorts (125 patients/year). Descriptive and comparative analyses were performed. RESULTS: The characteristics of the cohorts were: 43.6% women; median age: 69 years (min-max: 21-96 years), number of comorbidities: 4 (1-12). During their hospitalization, patients consumed 18 different drug products (2-56) and the median of observed SAEs/patients was 0 (0-10) (total: 302). The overall percentage of SAEs reported to Health Canada was 0%, before and following the implementation of Vanessa's Law. CONCLUSION: According to 500 electronic medical records, SAEs were underreported to Health Canada, even after the implementation of Vanessa's law.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».