La "nueva normalidad": ¿qué opinan nuestros pacientes? / The "new normality": what do our patients think?

OBJETIVO: Valorar la satisfacción percibida con el programa de Telefarmacia y envío a domicilio implantado, así como las preferencias de los pacientes y /o cuidadores por el modelo asistencial de atención farmacéutica y dispensación cuando se alcance la "nueva normalidad". MÉTODO: Se diseñó una encuesta electrónica anónima mediante la aplicación Microsoft Forms. La población diana fueron los pacientes, o cuidadores, atendidos en la Unidad de Atención Farmacéutica a Pacientes Externos mediante el modelo de Telefarmacia y envío de medicación a su domicilio entre el 30 de abril al 18 de mayo de 2020. RESULTADOS: Se enviaron 327 cuestionarios, obteniendo una tasa de respuesta del 45,0%. El 95,9% indicó que recibió la medicación correctamente en su domicilio, ajustándose al tiempo estimado de entrega y en perfecto estado. El 99,3% refirió estar satisfecho con el servicio de Telefarmacia y envío a domicilio. El 76,2% prefieren, una vez finalizado el estado de alarma, la Telefarmacia y envío a domicilio de la medicación. La única variable sociodemográfica que se asoció de manera significativa con las preferencias de los pacientes por el modelo de Telefarmacia y envío a domicilio fue la distancia al domicilio del paciente. CONCLUSIONES: Se considera necesario adecuar los modelos asistenciales, debiendo incorporar a la práctica diaria el modelo de atención farmacéutica telemática, junto con el envío domiciliario de medicación, modelo válido, sustentado en la factibilidad de los envíos domiciliarios, el mantenimiento de la atención farmacéutica y la satisfacción y preferencias de los pacientes. Afortunadamente, los primeros pasos están dados y el proceso es irreversible

AIM: To assess the perceived satisfaction with the implemented Telepharmacy and home drug delivery program, as well as the preferences of patients and / or caregivers for the healthcare model of pharmaceutical care and dispensing when the "new normality" is reached. METHOD: An anonymous electronic survey was designed using the Microsoft Forms application. The target population were the patients, or caregivers, treated in the Outpatient Unit using the Telepharmacy model who received the prescribed medication in their homes between April 30 to May 18, 2020. RESULTS: 327 questionnaires were sent, obtaining a response rate of 45.0%. 95.9% indicated that they received the medication correctly at home, adjusting to the estimated delivery time and in perfect condition. 99.3% reported being satisfied with the Telepharmacy and home delivery service. 76.2% prefer, once the alarm state is over, Telepharmacy and home drug delivery of the medication. The only sociodemographic variable that was significantly associated with patient preferences for the Telepharmacy and home drug delivery model was the distance to the patient's home. CONCLUSIONS: The healthcare models should be modified, and the telematic pharmaceutical care model should be incorporated into daily practice together with the home delivery of medication. It is considered a valid model, based on the feasibility of home delivery, the maintenance of pharmaceutical care and patient satisfaction and preferences. Fortunately, the first steps are taken, and the process is irreversible

Quality of the record of drug-related problems in a database for voluntary adverse event reporting / Calidad del registro de problemas relacionados con los medicamentos en una base de datos de notificación voluntaria de eventos adversos

Objective: To determine the number and type of errors found in the record of drug-related problems in the SINEA database, an electronic system for voluntary reporting of adverse events in healthcare, in order to quantify the differences between the raw and refined databases, suggest improvements, and determine the need for refining said databases. Methods: A Pharmacist reviewed the database and refined the adverse events reported from January to August, 2014, considering the ‘describe_what_happened’ field as the gold standard. There was a comparison of the rates of medication errors, both potential and real, adverse reactions, impact on the patient, impact on healthcare, and medications more frequently involved in the raw and refined databases. Agreement was calculated through Cohen’s Kappa Coefficient. Results: 364 adverse events were reported: 66.7% were medication errors, 2.7% adverse reactions to the medication (2 were wrongly classified as both, showing a total percentage >100%) and 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 frequently 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 pharmacotherapy. Data quality could be improved by reducing the number of type-in text fields, using drop-down lists, and by increasing the training of the reporters (AU)

Objetivo: Determinar el número y tipo de errores en los registros de problemas relacionados con los medicamentos encontrados en la base de datos de SINEA, sistema electrónico de notificación voluntaria de eventos adversos de la asistencia sanitaria, para cuantificar las diferencias entre las bases de datos bruta y refinada, proponer mejoras 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 porcentajes de errores de medicación, tanto potenciales como reales, reacciones adversas, efecto en el paciente, impacto en la asistencia y medicamentos implicados más frecuentemente en las bases de datos bruta y depurada. 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 porcentaje total>100%) y 31% de otros eventos. Tras la depuración, los porcentajes 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 se consideraron potenciales versus 82,3% tras la depuración (κ=0,65; CI95% [0,54-0,76]). El medicamento implicado más frecuentemente fue trastuzumab (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 para mejorar la farmacoterapia. Reducir los campos de texto libre, utilizar listas desplegables y aumentar la formación de los notificadores podría incrementar la calidad de los datos (AU)

Quality of the record of drug-related problems in a database for voluntary adverse event reporting.

OBJECTIVE: To determine the number and type of errors found in the record of drug-related problems in the SINEA database, an electronic system for voluntary reporting of adverse events in healthcare, in order to quantify the differences between the raw and refined databases, suggest improvements, and determine the need for refining said databases. METHODS: A Pharmacist reviewed the database and refined the adverse events reported from January to August, 2014, considering the "describe_what_happened" field as the gold standard. There was a comparison of the rates of medication errors, both potential and real, adverse reactions, impact on the patient, impact on healthcare, and medications more frequently involved in the raw and refined databases. Agreement was calculated through Cohen's Kappa Coefficient. RESULTS: 364 adverse events were reported: 66.7% were medication errors, 2.7% adverse reactions to the medication (2 were wrongly classified as both, showing a total percentage >100%) and 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 frequently 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 pharmacotherapy. Data quality could be improved by reducing the number of type-in text fields, using drop-down lists, and by increasing the training of the reporters.

Objetivo: Determinar el número y tipo de errores en los registros de problemas relacionados con los medicamentos encontrados en la base de datos de SINEA, sistema electrónico de notificación voluntaria de eventos adversos de la asistencia sanitaria, para cuantificar las diferencias entre las bases de datos bruta y refinada, proponer mejoras y establecer la necesidad de depuración.Método: 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 porcentajes de errores de medicación, tanto potenciales como reales, reacciones adversas, efecto en el paciente, impacto en la asistencia y medicamentos implicados más frecuentemente en las bases de datos bruta y depurada. 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 porcentaje total>100%) y 31% de otros eventos. Tras la depuración, los porcentajes 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 se consideraron potenciales versus 82,3% tras la depuración (κ=0,65; CI95% [0,54-0,76]). El medicamento implicado más frecuentemente fue trastuzumab (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 para mejorar la farmacoterapia. Reducir los campos de texto libre, utilizar listas desplegables y aumentar la formación de los notificadores podría incrementar la calidad de los datos.