-
静脉用药调配中心（简称静配中心）是医院药学服务的核心环节，承担静脉药物集中配置、质量控制及安全监控的重要职责，其通过标准化流程，如医嘱审核、药品配置、标签打印等，保证患者的用药安全[1-2]。但用药错误（medication error，ME）仍不可避免，ME是指药品在临床使用及管理过程中出现的、任何可以防范的用药不当，可发生于处方或医嘱开具与传递，药品储存、调剂与分发等多个环节，包括处方错误、摆药错误等[3-4]。研究指出，ME不仅会威胁患者的安全，还会导致医疗纠纷，增加医疗成本[5]。因此，系统性分析医院静配中心ME的影响因素，并构建预测模型十分重要。既往研究发现，环境干扰、人为疏忽为医院静配中心ME发生的主要影响因素[6]。但多数研究均依赖描述性统计，未能综合多因素交互作用，且停留于理论层面，未能形成可落地的干预措施。基于此，本研究将重点观察某医院静配中心2023年-2024年ME的影响因素，并构建决策树预测模型，以为医院静配中心ME的预防措施提供参考依据，降低ME发生风险。现报道如下。
-
本研究采用回顾性队列研究设计，以2023年1月1日至2024年12月31日期间空军军医大学第一附属医院静配中心记录ME事件数据库，通过系统筛选并人工复核，最终纳入符合纳入与排除标准的ME病例200例，作为ME组；同期随机抽取无ME的常规配药记录400例（按照1∶2的配比），作为无ME组。纳入标准：①完整记录药品配伍信息、操作流程日志及审核记录；②患者的基本信息可追溯；③均为静脉用药（注射剂、输液）的配药记录。排除标准：①非静脉用药的处方（如口服、外用等给药途径的记录）；②急救、手术室临时用药等特殊场景的配药记录。
-
通过描述性统计明确ME的分布特征；采用单因素与多因素分析识别ME的独立影响因素；基于识别出的影响因素构建决策树预测模型，评估其对ME的预测效能。数据收集：详细统计两组患者的年龄、性别（男、女）、基础疾病（糖尿病、高血压、冠心病、恶性肿瘤）、医嘱信息完整（是、否，如未注明患者的体重/过敏史等或书写模糊）、用药种类数量（≥3种、<3种）、高风险药物（是、否，如化疗药、抗凝药等）、溶媒类型（生理盐水、葡萄糖注射液、其他）、审核次数（≥3次、<3次）、配置时间（早班、中班、晚班）、药师培训频次（<2场/年、≥2场/年）。
-
研究所有数据均来源于医院静配中心信息化系统记录的原始数据，通过人工复核与系统筛查双重机制，剔除不符合纳入与排除标准数据，确保数据的代表性与完整性。对于关键变量（高风险药物/医嘱信息完整性等）制定统一操作标准，由两名研究人员独立进行数据编码，并采用Kappa值（>0.8）评估编码一致性，减少主观判断偏差。根据多因素Logistic回归每变量事件数（Events Per Variable，EPV）≥10的经验法则，每个自变量至少≥10个事件，以保证统计效能（α=0.05，1-β=0.80），本研究实际纳入样本600例，ME事件200例，纳入Logistic回归变量数为4，本研究EPV=50>10，样本量满足方法学要求。
-
采用SPSS 27.0软件，计量资料以（$ \overline{x} $±s）表示，组间比较采用独立样本t检验，计数资料用n%表示，采用χ2检验；采用Logistic回归分析检验医院静配中心ME发生的影响因素，并以分类与回归树（Classification and Regression Tree，CRT）生长法生成医院静配中心ME的决策树模型。Logistic回归模型分析出的差异变量，生成医院静配中心ME的决策树模型。以P<0.05为差异有统计学意义。
-
ME组、无ME组的医嘱信息不完整、高风险药物、配置时间、药师培训频次比较，有统计学差异（P<0.05），组间其他资料比较，无统计学差异（P>0.05）。见表1。
资料 ME组（n=200） 无ME组（n=400） χ2/t P 患者年龄（$ \bar{x} $±s，岁） 48.73±10.24 48.25±12.16 0.480 0.632 患者性别[例（%）] 0.053 0.817 男 105（52.50） 206（51.50） 女 95（47.50） 194（48.50） 患者基础疾病[例（%）] 糖尿病 42（21.00） 102（25.50） 1.480 0.224 高血压 53（26.50） 119（29.75） 0.689 0.407 冠心病 45（22.50） 106（26.50） 1.133 0.287 恶性肿瘤 60（30.00） 116（29.00） 0.064 0.800 医嘱信息完整[例（%）] 28.923 <0.001 是 85（42.50） 262（65.50） 否 115（57.50） 138（34.50） 用药种类数量[例（%）] 0.003 0.954 ≥3种 85（42.50） 169（42.25） <3种 115（57.50） 231（57.75） 高风险药物[例（%）] 17.652 <0.001 是 96（48.00） 122（30.50） 否 104（52.00） 278（69.50） 溶媒类型[例（%）] 0.917 0.632 生理盐水 111（55.50） 225（56.25） 葡萄糖注射液 67（33.50） 139（34.75） 其他 23（11.50） 36（9.00） 审核次数[例（%）] 1.868 0.172 ≥3次 116（58.00） 255（63.75） <3次 84（42.00） 145（36.25） 配置时间[例（%）] 48.499 <0.001 早班 107（53.50） 108（27.00） 中班 33（16.50） 157（39.25） 晚班 60（30.00） 135（33.75） 药师培训频次[例（%）] 18.375 <0.001 <2场/年 90（45.00） 110（27.50） ≥2场/年 110（55.00） 290（72.50） -
将2.2单因素分析中比较有统计学差异的变量作为自变量（赋值见表2），将ME情况作为因变量（1=ME，0=无ME），经Logistics回归分析发现，医嘱信息不完整、高风险药物、配置时间、药师培训频次均是医院静配中心ME发生的影响因素（OR>1，P<0.05）。见表3。
指标 变量类型 赋值 医嘱信息不完整 分类变量 1=“否”，0=“是” 高风险药物 分类变量 1=“是”，0=“否” 配置时间 分类变量 1=“晚班”，2=“中班”，3=“早班” 药师培训频次 分类变量 1=“<2场/年”，0=“≥2场/年” 指标 B SE WaId P OR 95%CI 医嘱信息不完整 1.379 0.257 28.851 <0.001 3.972 2.401~6.570 高风险药物 1.415 0.277 26.067 <0.001 4.117 2.391~7.088 配置时间 早班 3.253 0.371 76.885 <0.001 25.881 12.507~53.556 中班 0.771 0.313 6.052 0.014 2.161 1.170~3.993 药师培训频次 0.952 0.228 17.397 <0.001 2.591 1.656~4.052 -
将多因素结局变量作为临床变量纳入，采用CRT生长法建立决策树模型（图1），本研究共筛选出4个解释变量，生成多层树状结构，节点2、节点3为次级分裂点，根节点为配置时间；预测因子重要性排序依次为：配置时间、医嘱信息不完整、高风险药物、药师培训频次；该决策树模型的AUC=0.808（95%CI：0.774~0.842），灵敏度为0.840，特异度为0.635，约登指数为0.475，ROC图见图2。
-
药物浓度不适宜可能会刺激静脉血管，导致静脉炎、组织坏死，或无法达到有效血液浓度，从而导致病情进展，而溶媒错误可能会引发药物失效、输液安全事件等情况[7-9]。因此，寻找医院静配中心ME的影响因素十分必要。本研究经单因素分析发现，ME组、无ME组的医嘱信息不完整、高风险药物、配置时间、药师培训频次比较，有统计学差异；进一步经多因素分析发现，医嘱信息不完整、高风险药物、配置时间、药师培训频次均是医院静配中心ME发生的影响因素。将各因素纳入并构建决策树模型，共筛选出4个解释变量，利用图形中的路径点代表静配中心ME情况，能够明显发现重要根节点变量是配置时间，提示其是最大的影响因素，应据此采取干预措施，以降低ME发生风险。分析原因：①医嘱信息不完整：医嘱信息中缺乏关键临床数据时，如患者体重、过敏史等，药师被迫依赖经验而非精准依据进行计量计算与配伍决策，如抗凝药剂量需严格依据体重调整但未注明体重，药师仅根据主观经验估算，导致计量错误[10-11]；同时医嘱书写模糊也会导致药师配置时进行非标准假设，将普通输液浓度用于高风险药物，从而增加ME发生风险[12]。对此，建议应构建多维度闭环干预体系，强制性医嘱规范书写，要求临床科室在电子医嘱系统中必填关键字段，通过系统设置逻辑校验从源头杜绝信息缺失，并对药师开展专项培训，将信息核查纳入操作规范，以降低ME发生风险。②高风险药物：高风险药物如抗凝药、化疗药等因剂量范围狭窄、配伍禁忌复杂、毒性大的特点，在配置过程中容易出现剂量计算偏差、溶媒选择不当或药品混淆，在静配中心实际操作中，药师对于高风险药物的熟悉度不足，往往会导致排药、贴签、核对等关键环节出现疏漏[13-14]；同时高风险药物的配置常与工作高峰期重叠，药师在时间压力下更容易忽略细节，缺乏系统化的风险评估机制，导致ME的发生[15]。对此，建议应建立高风险药物的专项培训机制，聚焦药物特性、剂量计算规则及常见混淆点，同时将高风险药物配置纳入药师资质考核核心内容，并对高风险药物配置强制双人核对制度，设置独立配置区避免与其他药物混杂，以降低ME发生风险。③配置时间：药师的工作高峰期在上午9点至11点，在该阶段任务密集、人员紧张，药师被迫在高压下快速操作，需在短时间内处理大量医嘱，导致注意力分散，核对环节流于形式，排药环节易因匆忙而忽略药品规格核对与溶媒选择，贴签环节因时间压力简化核对流程，导致品种错误、溶剂贴错风险升高[16-17]。同时在该阶段人员走动频繁、电话铃声密集，削弱药师的专注力，导致高风险药物配置时缺乏足够时间复核剂量，错误后果等级升级，增加ME发生风险[18-19]。对此，建议应安排动态排班机制，将高风险药物配置安排在非高峰期，根据历史差错数据优化各时间段任务量分配，确保工作负荷均衡，并开发智能配置系统，高峰期自动触发核对关键提醒，以降低ME发生风险。④药师培训频次：药师培训不足会直接导致其专业知识滞后，无法及时掌握新药特性、剂型变化及配伍禁忌，尤其是在易混淆药品（外观相似、名称相近）识别方面存在明显短板，增加品种错误和规格错误风险，且会因操作规范的缺失导致药师在溶媒选择、药品稀释、标签打印等关键环节出现疏漏，增加ME发生风险[20-21]。对此，建议应构建系统化的培训体系，规范培训的频次和内容，确保年度培训覆盖新药知识、易混淆药品辨识、高风险药物配置规范等，强化药师实际操作中的风险识别能力，并建立动态考核机制，形成正向激励，以降低静配中心ME发生风险。
综上所述，医嘱信息不完整、高风险药物、配置时间、药师培训频次均是医院静配中心ME发生的影响因素，利用这4个因素建立的决策树模型预测医院静配中心ME的临床价值较高，有助于早期识别高风险ME并针对性干预。本研究存在一定局限性：一方面，样本量相对较小且为单中心数据，可能影响结果的外部效度和统计稳定性；另一方面，研究变量覆盖不全面，未充分纳入环境干扰、设备智能化水平等潜在影响因素，且干预措施缺乏实证验证，实际应用效果需进一步评估。此外，回顾性研究设计存在数据录入偏差风险，决策树模型亦需多中心数据验证以提升泛化能力；后续还需开展多中心、大样本研究，进一步探究该决策树模型的临床实践效果，为静配中心ME预防提供参考。
Construction of medication error prediction model for intravenous medication dispensing center in a hospital from 2023 to 2024
doi: 10.12206/j.issn.2097-2024.202512047
- Received Date: 2025-12-29
- Accepted Date: 2026-07-21
- Rev Recd Date: 2026-06-12
-
Key words:
- static matching center /
- medication errors /
- influencing factors /
- predictive model
Abstract:
| Citation: | ZHANG Yanqing, ZHAO Meina, SUN Dan, ZHAO Min, ZHOU Xiaoyan. Construction of medication error prediction model for intravenous medication dispensing center in a hospital from 2023 to 2024[J]. Journal of Pharmaceutical Practice and Service. doi: 10.12206/j.issn.2097-2024.202512047
|
DownLoad:
