Reseptiväärentäjien aiheuttamat uhkatilanteet pääkaupunkiseudun apteekeissa
Notice bibliographique
Résumé
Väärennetyt lääkemääräykset ja uhkatilanteet ovat tavallisia ongelmia Suomen apteekeissa. Erityisesti pääkaupunkiseudun suurissa asutuskeskuksissa haastavien asiakkaiden aiheuttamia vaaratilanteita esiintyy melko säännöllisesti. Koska ongelma-asiakkaat ovat usein päihtyneitä, on esiin noussut kysymys siitä, minkä verran reseptiväärentäjät itse aiheuttavat uhkatilanteita pääkaupunkiseudulla toimivissa apteekeissa. \n \nTässä opinnäytetyönä toteutetussa tutkielmassa aiheeseen perehdytään käyttäen kolmea eri menetelmää, jotka ovat teemahaastattelu, verkkokysely ja kirjallisuuskatsaus. Mielenkiintoisen näkökulman aihepiiriin luovat uudet paperisten reseptien ohelle käyttöönotetut sähköiset reseptit ja niiden mukanaan tuomat mahdollisuudet sekä haasteet. Tutkielma toimii jossain määrin myös yleiskatsauksena lääkemääräyksiä väärentävien henkilöiden tapoihin toimia 2000-luvulla. \n \nTutkielmasta kävi ilmi, että loppujen lopuksi reseptiväärentäjät aiheuttavat uhkatilanteita apteekeissa suhteellisen vähän, jos verrataan esimerkiksi varkaisiin ja psyykkisesti sairaisiin asiakkaisiin. Tyypillinen väärentäjä on alle 30-vuotias tietoteknisesti kykenevä mieshenkilö. Apteekkien varautumisessa uhkaavien henkilöiden kanssa toimimiseen on yleisesti ottaen parantamisen varaa, ja lääkäreiden tulisi kiinnittää enemmän huomiota lääkemääräysten \nhuolelliseen laatimiseen. \n \nSähköisten reseptien vaikuttavuutta reseptiväärennösten yleisyyteen on toistaiseksi vaikea arvioida, koska konkreettista näyttöä järjestelmän toimivuudesta saadaan vähitellen. Kasvava ongelma on terveysalan sisällä tapahtuva lääkkeiden väärinkäyttö, jota viranomaistahojen on huomattavasti haasteellisempaa valvoa. Tulevaisuudessa onkin syytä keskittyä ennen kaikkea lääkemääräysten kehittämiseen, jotta niiden väärentämisestä tulisi mahdotonta yksityishenkilölle.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,030 |
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 source (Gemma direct ou Codex distillé), 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 ».