Se doter de principes directeurs pour les prescripteurs électroniques de médicaments? L’exemple d’un centre hospitalier universitaire
Bibliographic record
Abstract
CORRESPONDANCE Se doter de principes directeurs pour les prescripteurs électroniques de médicaments? L'exemple d'un centre hospitalier universitaireDans le Rapport 2011-2012 sur les pharmacies hospitalières canadiennes, Macgregor et Hall notent que « l'intégration des systèmes et l'accès en temps réel à l'information au point de service posent toujours des défis aux hôpitaux du Canada, même si les publications indiquent que ces systèmes peuvent réduire les erreurs, améliorer les décisions et avoir un effet positif sur le soin des patients et les résultats cliniques » 1 .Georgiou et coll.ont mené une revue systématique sur les systèmes de « saisie électronique des ordonnances par les médecins » (SEOM) aux urgences 2 .Du nombre limité d'articles de qualité retenus (n = 22), on retient que les SEOM augmentent le temps passé à l'ordinateur par les médecins (11 %) et les infirmières (16 %) sans réduire le temps passé au chevet des patients, qu'ils sont associés à des réductions d'erreurs médicamenteuses (de l'ordre de 17 à 201 erreurs/100 ordonnances), à des réductions du nombre d'effets indésirables potentiels (0,9 effets/100 ordonnances) et à des diminutions du nombre de prescriptions liées à un dosage trop élevé.D'autres auteurs nuancent ces avantages et questionnent les effets cliniques réels des SEOM 3-6 .Pedersen et coll.rapportent qu'en 2010, aux États-Unis, 16 % des hôpitaux (29 % des hôpitaux de 300-399 lits, 30 % des hôpitaux de 400-599 lits et 57 % des hôpitaux de plus de 600 lits) avaient déjà implanté un SEOM 7 .Notons que moins de 4 % de ces implantations ne comportent aucune interface avec le système d'information de la pharmacie.Macgregor et Hall note qu'au Canada, seulement 8 % des répondants (13/160 établissements) ont déjà implanté un SEOM, et près des trois quarts ont une interface avec le système d'information de la pharmacie 1 .Plusieurs facteurs contribuent à la lenteur de l'implantation de SEOM tant aux États-Unis qu'au Canada, notamment le fait que de nombreux secteurs s'étaient progressivement informatisés durant les dernières décennies (p.ex.admission, pharmacie, laboratoires, imagerie) avant d'envisager l'acquisition d'un SEOM ainsi que le fait que les SEOM entraînent des coûts d'acquisition très élevés et qu'ils sont complexes à implanter dans une organisation de santé.Plusieurs auteurs reconnaissent l'importance d'une interface bidirectionnelle entre le SEOM et le système d'information de pharmacie 8-10 .Au moins trois documents pivots balisent actuellement le déploiement de SEOM au Canada, soit la norme relative aux dossiers médicaux électroniques d'Inforoute Canada, les normes relatives aux messages de type HL7, la norme sur les systèmes d'information en pharmacie de l'Association nationale des organismes de réglementation en pharmacie 11-13 .L'Ordre des pharmaciens du Québec a mis en place un comité de veille technologique qui réfléchit notamment à la mise en place de lignes directrices
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.010 | 0.020 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.006 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".