Prevalence and Types of Medication Errors in Intensive Care Unit Nurses in Iran: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background & Aims: Medication errors pose a significant threat to patient safety in healthcare settings.This study aimed to determine the prevalence and types of medication errors among intensive care unit (ICU) nurses in Iran through a systematic review and meta-analysis.Materials & Methods: Electronic databases, including PubMed, Scopus, Web of Science, Science Direct, SID, and Magiran, were searched for studies on medication errors among ICU nurses up to February 2025.A manual search of references from primary and review studies was also conducted.Studies were limited to Persian and English languages.Bias assessment was performed using the Newcastle-Ottawa Scale.Data analysis was conducted using Comprehensive Meta-Analysis software (version 3).Results: A total of 19 observational studies were selected and included in the study.The results of the meta-analysis showed that the prevalence of medication errors among intensive care unit nurses was 64.8% (95% confidence interval [CI]: 0.54-0.74,P<0.05).The prevalence of incorrect dosage, incorrect injection rate, incorrect time of administration, and incorrect medication were 15.6% (95% CI: 0.08-0.27,P<0.05), 18.5% (95% CI: 0.08-0.37,P<0.05), 11.8% (95% CI: 0.08-0.15,P<0.05), and 9.5% (95% CI: 0.05-0.16,P<0.05), respectively.Publication bias was not observed in the study (P=0.49). Conclusion:The high prevalence of medication errors among ICU nurses in Iran highlights an urgent need for intervention.Proper nurse training, adoption of advanced technologies, improved working conditions, and enhanced communication can significantly reduce medication errors in hospitals.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».