Crédito: Unsplash/CC0 Dominio público
Los errores en las órdenes de medicamentos son un problema de salud pública importante y prevenible. El despliegue generalizado de registros de salud electrónicos y sistemas computarizados de entrada de pedidos ha reducido en gran medida los errores en las órdenes de medicamentos y las ineficiencias en el ámbito de los pacientes hospitalizados. Sin embargo, investigaciones emergentes sugieren que también han introducido nuevas fuentes de error relacionadas con la interacción entre el proveedor y la plataforma.
Si bien, para los errores en las órdenes de medicamentos, la revisión manual de las órdenes de farmacia entrantes es el «estándar de oro» para mejorar el uso de los medicamentos y minimizar los errores de prescripción, la revisión manual de las órdenes de medicamentos por parte de los farmacéuticos clínicos del hospital y la ordenación computarizada de la medicación de los médicos puede verse afectada por factores tales como la fatiga de alerta, lo que puede conducir a errores médicos.
Para comenzar a abordar estos errores e ineficiencias, un equipo dirigido por Martina Balestra, ex postdoctorado y profesora adjunta en el Centro para la Ciencia y el Progreso Urbano (CUSP) en la Escuela de Ingeniería NYU Tandon , e incluyendo a Oded Nov, profesor de gestión e innovación tecnológica en NYU Tandon, así como a Ji Chen, Eduardo Iturrate y Yindalon Aphinyanaphongs de NYU Grossman y NYU Langone, desarrollaron un modelo de aprendizaje automático para identificar pedidos de medicamentos que requieren intervención de farmacia utilizando solo proveedores comportamiento y otras características contextuales que pueden reflejar estas nuevas fuentes de ineficiencias, en lugar de los registros médicos de los pacientes.
Su trabajo, «Predicción de intervenciones de orden de farmacia para pacientes hospitalizados usando datos de acción del proveedor», publicado recientemente en JAMIA Open, utilizó un importante sistema hospitalario metropolitano como estudio de caso. El equipo recopiló datos sobre las acciones de los proveedores en el sistema EHR y los pedidos de farmacia. Con este conjunto de datos, los investigadores construyeron un modelo de clasificación basado en el aprendizaje automático para identificar los pedidos que probablemente requieran la intervención del farmacéutico.
Mientras que los modelos anteriores que predecían los errores en los pedidos de medicamentos incorporan datos de los registros médicos de los pacientes, el modelo de clasificación desarrollado por el equipo se centra en los datos de los médicos. Como tal, se reduce el riesgo para la privacidad y la seguridad de los datos del paciente. Con el ajuste adecuado, este y otros modelos similares podrían aliviar significativamente la carga de trabajo de los farmacéuticos y aumentar la seguridad del paciente.
Explore más
Preguntas y respuestas: Reducir el riesgo de errores de medicación Más información: Martina Balestra et al, Predicción de intervenciones de orden de farmacia para pacientes hospitalizados utilizando datos de acción del proveedor, JAMIA Open (2021). DOI: 10.1093/jamiaopen/ooab083 Proporcionado por NYU Tandon School of Engineering Cita: Los investigadores encuentran nuevos medios para marcar las órdenes de intervención de farmacia para pacientes hospitalizados (19 de octubre de 2021) consultado el 29 de agosto de 2022 en https://medicalxpress .com/news/2021-10-flagging-inpatient-pharmacy-intervention.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.