Objetivo:
Determinar el número y tipo de errores en los regi stros de pro- blemas relacionados con los medicamentos encontrado s en la base de datos de SINEA, sistema electrónico de notificación voluntaria de eventos adversos de la asistencia sanitaria, para cuantific ar las diferencias entre las bases de datos bruta y refinada, proponer mejor as y establecer la necesidad de depuración.
Métodos:
Un farmacéutico revisó la base de datos y depuró los eventos adversos notificados de enero a agosto de 2014, considerando el campo “ describa_lo_que_pasó ” como gold standard . Se compararon los porcen- tajes de errores de medicación, tanto potenciales como real es, reacciones adversas, efecto en el paciente, impacto en la asistencia y m edicamentos implicados más frecuentemente en las bases de datos bruta y d epurada. Se calculó la concordancia con el coeficiente kappa ( κ ) de Cohen.
Resultados:
Se notificaron 364 eventos adversos, 66,7% errores de medicación, 2,7% reacciones adversas al medicamento (2 clasificados erróneamente en ambas clases arrojando un porcentaj e total>100%) y 31% de otros eventos. Tras la depuración, los porce ntajes respectivamente fueron 69,5%, 5,8% y 24,7% ( κ =0,85; CI95% [0,80-0,90]). Antes de la depuración, el 73,6% de los errores de medicación s e consideraron po- tenciales versus 82,3% tras la depuración ( κ =0,65; CI95% [0,54-0,76]).
El medicamento implicado más frecuentemente fue tra stuzumab (20,9%).
El campo “ principio_activo ” estaba vacío en 133 registros. Se detectó una media de 1,8±1,9 errores por registro.
Conclusiones:
Aunque la concordancia es buena, no puede evitarse la depuración, que proporciona información valiosa par a mejorar la farma- coterapia. Reducir los campos de texto libre, utili zar listas desplegables y aumentar la formación de los notificadores podría i ncrementar la calidad de los dato
Objective:
To determine the number and type of errors found i n the record of drug-related problems in the SINEA databa se, an electronic system for voluntary reporting of adverse events in healthcare, in order to quantify the differences between the raw and refine d databases, suggest improvements, and determine the need for refining s aid databases.
Methods:
A Pharmacist reviewed the database and refined the adverse events reported from January to August, 2014, consi dering the “ descri- be_what_happened ” field as the gold standard. There was a compariso n of the rates of medication errors, both potential a nd real, adverse reac- tions, impact on the patient, impact on healthcare, and medi cations more frequently involved in the raw and refined database s. Agreement was calculated through Cohen’s Kappa Coefficient.
Results:
364 adverse events were reported: 66.7% were medic ation errors, 2.7% adverse reactions to the medication (2 were wrongly clas- sified as both, showing a total percentage >100%) a nd 31% were other events. After refinement, the percentages were 69.5 %, 5.8% and 24.7%, respectively ( κ =0.85; CI95% [0.80-0.90]). Before refinement, 73.6% of medication errors were considered potential vs.
82.3% after refinement ( κ =0.65; CI95% [0.54-0.76]). The medication most freq uently involved was trastuzumab (20.9%). The “ molecule ” field was blank in 133 entries.
A mean of 1.8±1.9 errors per entry were detected.
Conclusions:
Although agreement is good, the refinement process cannot be avoided, as it provides valuable information to improve phar macothera- py. Data quality could be improved by reducing the number of typ e-in text fields, using drop-down lists, and by increasing the training of t he reporters.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados