Procedimiento para el análisis y la prevención de errores de medicación usando el enfoque de la ergonomía
Bibliographic record
Abstract
Los errores de medicación representan un problema de salud pública que afecta la seguridad del paciente y la calidad de los servicios de salud a escala global. En este artículo se presenta un procedimiento para el análisis y la prevención de los errores de medicación desde la perspectiva de la ergonomía, ejemplificándose su aplicación mediante un caso de estudio ilustrativo de administración de un medicamento inyectable. Como parte del procedimiento expuesto, se incluyeron los reconocidos métodos Hierarchical Task Analysis (hta) para el análisis de la tarea y Systematic Human Error Reduction and Prediction Approach (sherpa) para la identificación de los modos de error. Para la valoración de riegos se propone una matriz de riesgos cualitativa. El procedimiento propuesto quedó conformado por cuatro etapas: 1) selección de la tarea objeto de estudio, 2) análisis detallado de la tarea, 3) predicción de la posibilidad de error y 4) desarrollo de estrategias para la reducción del error. Se espera que la utilización sistemática de este procedimiento contribuya en la mejora de la calidad de los servicios de salud, disminuyendo los errores humanos y los posibles eventos adversos.
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 | 0.014 | 0.051 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".