MétaCan
Menu
Retour à la cohorte
Enregistrement W4413879824 · doi:10.3390/pharmacy13050121

Assessing Pharmacy Costs of Intravenous Push Controlled Substance Waste in Hospital-Based Areas: A Multi-Site Study

2025· article· en· W4413879824 sur OpenAlexaff
John B. Hertig, Les Louden, Blake Shay, Armando Soto, Zach Gross

Notice bibliographique

RevuePharmacy · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient Safety and Medication Errors
Établissements canadiensCARE Canada
Organismes subventionnairesFresenius Kabi
Mots-clésPharmacyMedicineEmergency medicineMedical emergencyNursing

Résumé

récupéré en direct d'OpenAlex

Intravenous push (IVP) administration of controlled substances in hospital settings presents operational challenges related to medication waste, documentation, and diversion risk. This multi-site observational study aimed to quantify the pharmacy workforce time and associated costs linked to IVP waste management across a 16-hospital health system in Southwest Florida. Data were collected from over 4400 controlled substance transactions involving fentanyl, midazolam, hydromorphone, morphine, ketamine, and lorazepam. Methods included automated transaction analysis, manual chart reviews, and software-based compliance case evaluations. Results indicated patterns of partial dose waste, particularly for midazolam (85.2%) and hydromorphone (78.8%), and identified opportunities where documentation efforts could be further optimized through automation. Manual review of 333 incidents required an average of 6 min and 43 s per case, extrapolating to over 496 h of quarterly pharmacy labor or nearly 1985 h annually. Software-based case reviews added another 32 h per quarter or 130 h annually. Additionally, waste receptacle systems incurred over USD 1.1 million in capital costs and USD 322,500 in annual maintenance, with technician labor contributing further operational burden. These findings underscore the resource demands of IVP waste management and support the need for standardized dosing, enhanced documentation workflows, and pharmacy-led interventions to improve efficiency and reduce diversion risk.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,601
Score d'incertitude au seuil0,896

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,479
Écart entre enseignants0,391 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePharmacyMême sujetPatient Safety and Medication ErrorsTravaux en français237 207