Quality improvement for parenteral nutrition in hospital: Applying a gap analysis to an electronic health record to review parenteral nutrition processing
Notice bibliographique
Résumé
BACKGROUND: In light of the complex and high-risk nature of parenteral nutrition (PN), reviewing PN processing steps is essential to minimize patient harm. The main steps include ordering, verification, compounding, and administration. Electronic health records (EHRs) have become increasingly utilized and can play a critical role in enhancing the safety of PN processin. Epic EHR is used throughout all PN processing steps within our health system. There is limited literature on health system quality improvement initiatives in PN processing. METHODS: We reviewed the steps of PN processing in our health region and applied a gap analysis to assess Epic's functionality in PN processing. This gap analysis aimed to identify opportunities to enhance PN safety. RESULTS: Epic applies 32 of 40 functions that enhance PN safety. We selected three functions to prioritize adding into future EHR iterations; these include (1) bidirectional automatic interfacing between the automated compounding device and EHR reflecting real-time updates on product availability/shortages, (2) automatically transmitting a pharmacist-modified PN order back to the prescriber for approval, and (3) adding additional clinical decision support tools, one of which is incorporating a 3-in-1 qualification calculator and the second is requiring prescriber justification for using compounded formulations over multichamber bags. Additional opportunities for improving safety in PN processing were identified and added to the gap analysis. CONCLUSION: Using a gap analysis is a simple process to review a health system's EHR to identify opportunities to enhance patient care.
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 | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».