SciELO - Scientific Electronic Library Online

 
vol.41 número1Coste-eficacia del pemetrexed en combinación con cisplatino como tratamiento de primera línea en pacientes con cáncer de pulmón avanzado no microcítico ni escamoso en EspañaSeguimiento farmacoterapéutico en pacientes en tratamiento con agentes biológicos por enfermedades sistémicas inflamatorias crónicas: acuerdo entre farmacéuticos hospitalarios para la recopilación estandarizada de un conjunto mínimo de datos índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • En proceso de indezaciónCitado por Google
  • No hay articulos similaresSimilares en SciELO
  • En proceso de indezaciónSimilares en Google

Compartir


Farmacia Hospitalaria

versión On-line ISSN 2171-8695versión impresa ISSN 1130-6343

Farm Hosp. vol.41 no.1 Toledo ene./feb. 2017

http://dx.doi.org/10.7399/fh.2017.41.1.10434 

Originales

Reducción de la fatiga por alertas en un sistema de prescripción electrónica asistida, mediante la metodología Lean Six Sigma

M.ª Jesús Cuéllar Monreal1  , Jorge Reig Aguado1  , Isabel Font Noguera1  , José Luis Poveda Andrés1 

1 Pharmacy Department. Hospital Universitari i Politècnic La Fe, Valencia. Spain

Resumen

Objetivo:

Reducir la fatiga por alertas en nuestro sistema de prescripción electrónica asistida (PEA), mediante la metodolo-gía Lean Six Sigma (LSS).

Método:

Estudio observacional (transversal) y retrospectivo en un hospital general con 850 camas de hospitalización con PEA. Se siguió la metodología LSS para evaluar la situación de fatiga por alertas del sistema de PEA, implementar mejoras y evaluar resultados. Se analizaron las alertas generadas durante dos tri-mestres de estudio (pre y post-intervención).

Para medir los indicadores cualitativos se recurrió al análisis de los tipos de alerta más frecuentes y de los principios activos responsables de más del 50% de cada tipo de alerta. Se ana-lizó la actuación del prescriptor en una muestra de 496 pres-cripciones que generaron estas alertas. Para cada tipo de alerta y principio activo se priorizaron las mejoras a implementar de acuerdo con la alerta generada y la calidad de la misma. La actuación farmacéutica ante las alertas más valoradas por los médicos se evaluó mediante una segunda encuesta.

Resultados:

Se definió el problema, el objetivo, el grupo de trabajo y el cronograma del proyecto. Se diseñó una encuesta para conocer la opinión del cliente sobre el sistema de alertas del programa. A partir de las encuestas recogidas (n = 136) se definieron las características críticas y los indicadores cuanti/ cualitativos.

Se modificaron 60 campos del sistema de alertas, correspon-dientes a 32 principios activos, reduciéndose la cantidad total de alertas en un 28%. En cuanto a los indicadores de calidad, se redujeron los falsos positivos en un 25 % (p < 0,05), se man-tuvo el 100 % de alertas ignoradas de forma justificada, y no hubo diferencias significativas en la adherencia de los usuarios al sistema. Las mejoras y los resultados del proyecto fueron revisados por el grupo de trabajo.

Conclusiones:

La metodología LSS ha demostrado ser una he-rramienta válida para la mejora cuantitativa y cualitativa del sistema de alertas de un programa de prescripción electrónica asistida, reduciendo así el fenómeno de la fatiga por alertas.

PALABRAS CLAVE: Prescripción electrónica; Sistemas de soporte a la decisión clínica; Sistema de alertas por medicación; Fatiga por alertas; Lean Six Sigma; Mejora de calidad

Aportación a la literatura científica

Este trabajo original se planteó con el objetivo de reducir la fatiga por alertas de nuestro sistema de prescripción electrónica asistida, mediante la optimización del número y la calidad de las alertas y la normalización de la actuación farmacéutica ante los diferentes tipos de alertas.

El fenómeno de fatiga por alertas que hemos detectado en nuestra práctica diaria es algo que ocurre frecuentemente con los sistemas de alertas en prescripción electrónica asistida (PEA). Se ha constatado que a pesar de la amplia experiencia y la literatura disponible acerca de la implantación de estos sistemas, todavía se identifican muchas deficiencias. Además, existen pocos estudios sobre su eficacia en cuanto a la pertinencia y la calidad de la información ofrecida, así como sobre la respuesta de los usuarios ante esta información, y todo esto puede comprometer la eficacia y seguridad del sistema.

Pensamos que tanto la originalidad como la relevancia de los resultados radican en la metodología seguida, Lean Six Sigma, que se caracteriza por apoyarse en un grupo de trabajo, es decir, requiere el consenso de los usuarios, y sobretodo que las mejoras se introducen en función de la “voz del cliente” u opinión de los usuarios. En este sentido, consideramos que hubo un alto nivel de participación (aprox. Un 10 % de los facultativos del hospital).

Esta valoración del sistema de alertas por parte de un gran número de usuarios, junto con el análisis de la calidad de los tipos de alertas más frecuentes y las mejoras introducidas, contribuyen a ir generando una valiosa información sobre la verdadera utilidad de los sistemas de alertas en los programas de PEA.

Introducción

Los sistemas prescripción electrónica asistida (PEA) constituyen, en el marco de la mejora de la seguridad del paciente, un importante instrumento de soporte para la toma de decisiones clínicas en el momento de la prescripción1.

Estos sistemas se han desarrollado considerablemente en los últimos años de modo que, además de un amplio espectro de información clínica, la mayoría incluye un potente sistema de alertas de seguridad. Sin embargo, existen pocos estudios sobre su eficacia, y no siempre se ha conseguido demostrar los beneficios clínicos que suponen para el paciente2,3,4,5.

Se ha descrito que las alertas generadas en un sistema de PEA son ignoradas hasta en un 49-96% de los casos3. Esto pone de manifiesto un problema de adherencia de los usuarios a las recomendaciones, y una de las principales causas es el elevado número de alertas generadas (entre un 34-90% de las prescripciones), que, además, no siempre son pertinentes, específicas, y de fácil manejo. Todo esto introduce un fenómeno de “fatiga”6.

Peterson y Bates7 describen la “fatiga por alertas” como “el estado mental resultante de recibir demasiadas alertas que consumen tiempo y energía mental, y que puede ser la causa de que alertas relevantes clínicamente, puedan pasar inadvertidas entre aquellas que no lo son”. Es decir, se produce una desensibilización del usuario, que ignora tanto las no importantes como las que sí lo son, comprometiendo así el objetivo de estas alertas que es la seguridad del paciente.

Nuestro sistema de PEA cuenta con varios niveles de información y seguridad. En primer lugar proporciona información básica que facilita la prescripción. En segundo lugar realiza un chequeo básico de la prescripción sobre una base de conocimiento de referencia (pautas definidas, dosis máximas, número máximo de días de tratamiento, interacciones, contraindicaciones y duplicidades). Y por último, incluye un chequeo avanzado que integra datos relevantes del paciente como antecedentes alérgicos y determinadas condiciones clínicas, incluso algoritmos de decisión, como el módulo de insuficiencia renal para el ajuste de la pauta de los medicamentos que lo requieren y la dosificación en función del peso corporal y/o edad en los pacientes pediátricos. Todo esto genera alertas que aparecen de forma interactiva y/o a modo de informe al final de la prescripción (esta opción es configurable por usuario en función de sus preferencias y experiencia). Pero en ningún caso se bloquea la prescripción ni existe obligación de justificar la decisión de ignorar la alerta, con lo que no se obtiene la retroalimentación necesaria para la actualización del sistema1.

A pesar de ello, y de que se ha realizado una selección de alertas clínicamente significativas y su parametrización en función de la situación clínica del paciente y de la gravedad de los eventos adversos, se ha constatado el fenómeno de fatiga por alertas en nuestra práctica diaria. Por consiguiente es necesario mejorar la eficiencia del sistema de alertas, reduciendo la carga de trabajo, pero sin menoscabar la seguridad para el paciente.

Estas mejoras requieren el consenso de los usuarios y un compromiso clínico, se deben introducir con precaución y evaluar los resultados. Así pues, este proyecto se ha desarrollado siguiendo la metodología Lean Six Sigma (LSS) que, aunque no está muy extendida en el ámbito sanitario, cuenta ya con alguna experiencia de éxito8. En efecto, es una metodología de mejora continua de calidad, científica, que se apoya en un grupo de trabajo y entiende las necesidades del cliente. La idea clave es aplicar las herramientas de Lean para eliminar etapas innecesarias, que no aportan valor (desperdicios) y reducir tiempos de ciclo (eficiencia), así como las técnicas de Six Sigma para reducir la variabilidad y los defectos (efectividad y seguridad)9.

El presente trabajo tiene como objetivo optimizar el número y la calidad de las alertas de nuestro programa de PEA, normalizar la actuación de los farmacéuticos ante los diferentes tipos de alertas y aumentar la satisfacción de los usuarios.

Métodos

Aspectos éticos

El proyecto fue autorizado por la Jefatura de Servicio (“Champion” según la metodología LSS). Los registros electrónicos no incluyeron datos de identificación de pacientes ni de profesionales.

Diseño

Estudio observacional, transversal y retrospectivo. Se implementaron mejoras y evaluaron resultados mediante el despliegue de las etapas del ciclo DMAIC de la metodología LSS (siglas en inglés: Define, Measure, Analyze, Improve, Control)9.

Ámbito

Hospital general y de referencia con 1.000 camas de hospitalización, 850 de ellas con PEA, con más de 1.000 licencias de facultativos prescriptores y 1.450 especialidades farmacéuticas disponibles en el sistema para la prescripción.

Población y muestra

Se incluyeron las alertas generadas durante dos trimestres de estudio (pre y postintervención), obtenidas del sistema de PEA. Para el análisis cualitativo del proyecto se revisaron un total de 496 prescripciones.

Planificación del ciclo DMAIC

El proyecto LSS se desarrolló entre mayo 2014 y mayo 2015. Se estructuró en las etapas del ciclo DMAIC.

En la etapa Definir (Define) (mayo-junio 2014), se definió el problema, el objetivo, el grupo de trabajo, y el cronograma del proyecto. El Grupo de trabajo estuvo constituido por cinco usuarios del sistema de PEA (4 farmacéuticos y 1 médico), un médico observador externo, un farmacéutico de apoyo metodológico y el farmacéutico gestor de la base de datos del sistema de PEA, enlace del grupo.

Según la metodología LSS, el primer paso es conocer la “Voz del cliente” sobre el sistema de alertas del programa. Para ello se diseñó una encuesta con seis preguntas sobre la cantidad y calidad de las alertas, así como la actitud ante las mismas, que se distribuyó entre todos los usuarios médicos y farmacéuticos (facultativos especialistas y residentes). La encuesta fue totalmente anónima, aunque incluía datos del servicio clínico y la categoría profesional.

A partir del análisis de la voz del cliente se determinaron las “características críticas” (metodología LSS) del proyecto y se definieron los indicadores cuantitativos y cualitativos a medir (Tabla 1).

Tabla 1 Características críticas derivadas de la voz del cliente e indicadores cuantitativos y cualitativos 

En las etapas Medir y Analizar (Measure, Analyze)

(julio-septiembre 2014), se cuantificaron las alertas generadas durante el primer trimestre del 2014, el número de pacientes ingresados y el número de líneas de prescripción modificadas durante ese periodo.

Para medir los indicadores cualitativos, se recurrió al análisis de los tipos de alerta más frecuentes y de los principios activos responsables de más del 50% de cada tipo de alerta. Se analizó una muestra de las prescripciones que generaron estas alertas, desde el punto de vista de la pertinencia de la alerta (ser apropiada o no) y de la actuación clínica ante estas alertas, aceptarla o no (Figura 1).

Figura 1 Clasificación de las alertas y definición de indicadores de calidad 

La actuación farmacéutica ante las alertas más valoradas por los médicos, se evaluó mediante una segunda encuesta.

En la etapa Mejorar (Improve), (octubre-diciembre 2014), se planteó eliminar y modificar alertas que no aportaban valor según criterios definidos de un buen sistema de alertas3,6,10. Para ello, se priorizaron y consensuaron las mejoras a implementar en el grupo de trabajo. Se estableció como objetivo inicial reducir a la mitad la carga de alertas.

Con objeto de reducir la variabilidad de la actuación farmacéutica frente a los distintos tipos de alertas se propuso una serie de recomendaciones al equipo farmacéutico.

En la etapa Controlar (Control) (enero-mayo 2015), se reevaluaron los indicadores a partir de datos extraídos del sistema de PEA correspondientes al primer trimestre de 2015, una vez implementadas las mejoras.

Se estimó el beneficio de la reducción del número de alertas en base a la aproximación de que el tiempo necesario para leer una alerta es de 1,7 segundos.

Análisis estadístico

Se sometieron los resultados a la prueba de análisis es tadístico z de comparación de dos proporciones. El nivel de significación establecido fue de 5%. El análisis se rea lizó con el programa de análisis estadísticos G-Stat 2.0.

Resultados

Encuesta (voz del cliente)

Se recogieron 136 encuestas, correspondientes a 24 servicios clínicos, tanto médicos como quirúrgicos. El 69% de los encuestados fueron adjuntos y el 31% residentes. Los resultados de la encuesta se muestran en la tabla 2.

Tabla 2 Resultados de la encuesta (voz del cliente) sobre el sistema de alertas (n = 136) 

Ẋ = media aritmética desviación estándar

Estos resultados se tradujeron en las características críticas del proyecto, y para cada una se definió su indicador, con su criterio y métrica (Tabla 1).

Situación inicial

En el primer trimestre de 2014 se contabilizaron 47.994 alertas diferentes y su distribución porcentual por tipo de alerta se muestra en la figura 2.

Figura 2 Distribución porcentual del tipo de alertas en la situación de partida 

Los resultados de los indicadores cuantitativos se recogen en la tabla 3.

Tabla 3 Indicadores cuantitativos 

Para el cálculo de los indicadores de calidad se seleccionaron 71 de 971 principios activos (7,3%), responsables de más de la mitad de las alertas generadas en cada tipo de alerta (58%). Tras la evaluación de cada tipo de alerta, se pudieron agrupar en dos tipos:

−− Aquellas que se debían a limitaciones del software: duplicidad terapéutica, condiciones de dispensación y alergias.

−− Aquellas que suponían un problema en la calidad de la alerta o en la actuación del usuario, como alertas de insuficiencia renal, geriatría, dosis máximas o interacciones. Para su análisis se revisaron un total de 269 prescripciones y se calcularon los indicadores de calidad definidos (Tabla 4).

Tabla 4 Indicadores de calidad 

*Valores ponderados por tamaño de muestra (n)

Los resultados de la encuesta sobre la actuación farmacéutica ante las alertas valoradas por los médicos como más relevantes, que se distribuyó entre 19 farmacéuticos (5 residentes, 14 adjuntos), se muestran en la tabla 5.

Tabla 5 Encuesta sobre actuación farmacéutica ante las alertas más valoradas por los médicos (n = 19) 

Acciones de mejora

Para cada tipo de alerta y principio activo se planteó una posible mejora de acuerdo con la alerta generada y la calidad de la misma. Se priorizaron las mejoras a implementar en función de su factibilidad y eficiencia, se evaluaron riesgos y se consensuaron las medidas a tomar en el grupo de trabajo. Se modificaron 60 campos del sistema de alertas, correspondientes a 32 principios activos (Tabla 6).

Tabla 6 Acciones de mejora en el sistema de alertas 

Para reducir la variabilidad de la actuación farmacéutica ante una alerta, se distribuyó entre los farmacéuticos una serie de recomendaciones consensuadas en el grupo de trabajo (Tabla 6).

Situación final

Tras aplicar las acciones de mejora, se reevaluaron los indicadores de cantidad y calidad correspondientes a los tres meses siguientes a su implantación. Los resultados de esta segunda valoración, comparados con los iniciales se muestran en las tablas 3 y 4. Se observa una importante reducción de los indicadores de cantidad aunque inferior al predefinido inicialmente del 50%.

En cuanto a los indicadores de calidad se redujeron los falsos positivos en un 25% (diferencia de proporciones = 0,25, IC 95% = 0,163-0,337, p < 0,05), se redujo el número de alertas inapropiadas, pero dado que ninguna de las que quedaron (por limitaciones del programa) fueron aceptadas por el usuario, se mantuvo el 100% de alertas ignoradas de forma justificada, y tampoco hubo diferencias significativas en la adherencia de los usuarios al sistema.

Impacto económico

El beneficio estimado consiste fundamentalmente en un ahorro de tiempo que podrá ser empleado en otras tareas. La reducción de un 28% (13.313) en el número de alertas generadas permite estimar un ahorro de 4,3 h/ mes en tiempos de prescripción y validación. Si además consideramos que cada alerta se visualiza una media de 6 veces durante todo el seguimiento del tratamiento del paciente, y que cada vez se vuelve a leer, el tiempo ahorrado podría ser de 25,8 h/mes.

Cierre del proyecto

Las mejoras y los resultados del proyecto fueron revisados y debatidos por el grupo de trabajo y se comunicaron a los profesionales sanitarios a través de la intranet del hospital mediante una infografía (Figura 3).

Figura 3 Infografía publicada en la intranet del hospital para comunicar los resultados del proyecto 

Discusion

Un sistema de PEA ideal sería el que proporciona al usuario información que percibe como muy útil y que consigue el equilibrio adecuado entre el número de alertas y la garantía de la seguridad del paciente. Nuestro sistema de alertas ya cuenta con las categorías de alertas fundamentales descritas en la bibliografía y con características que definen un buen sistema de alertas, como especificidad, sensibilidad, información clara y justificada, indicando la gravedad y acción necesaria, y no interrumpir el flujo de trabajo (solo aparecen de forma interactiva las alertas más importantes)11. Sin embargo, existen posibilidades de mejora. Y el presenta trabajo es una aproximación a la práctica real, ya que se basa en la opinión del usuario acerca del sistema de alertas, en términos de cantidad y calidad, y a partir de ahí se plantean medidas para reducir la fatiga por alertas.

Según la encuesta, la mayoría de los prescriptores afirma leer las alertas (93%), pero sólo un 30% de ellos declara seguir siempre sus recomendaciones lo que demuestra una fatiga por alertas en el sistema. Los prescriptores se vuelven escépticos en cuanto a la validez del sistema, confiando en sus propios conocimientos y asunciones y/o infraestimando los potenciales efectos adversos de los medicamentos10. De hecho, muy pocos usuarios (6%) reconocen haber detectado alguna consecuencia negativa por no seguir las recomendaciones. Esto coincide con los resultados de estudios previos, en los que se han detectado efectos adversos sólo entre 2,3-6% de las alertas ignoradas3.

En lo referente a la cantidad total de alertas, aunque no se consideraba del todo excesiva por los usuarios, se ha reducido el número total en un 28%. De modo que se ha pasado de visualizar una alerta por cada 3,6 líneas modificadas a una alerta por cada 5,1 líneas modificadas. Y todo esto sin afectar a la seguridad del paciente, ya que la proporción de alertas ignoradas de forma justificada se mantiene en el 100% y sólo las alertas ignoradas injustificadamente constituyen una amenaza desde el punto de vista de la seguridad.

La alerta más valorada es la referente a alergias medicamentosas, y prácticamente la totalidad de los encuestados (89%) responde que le gustaría que se bloqueara la línea de tratamiento ante una alerta de este tipo. En nuestro caso, aunque la sensibilidad es muy elevada, apenas genera el 2% del total de las alertas, pero sigue presentando falsos positivos, fundamentalmente por un registro incorrecto de los antecedentes alérgicos del paciente (verdadera alergia frente a intolerancia) y/o cuando la alerta se basa en potenciales sensibilidades cruzadas12,13. La mejora consistió en estandarizar la actuación farmacéutica a nivel de la codificación de la alergia y la intervención a realizar.

La alerta de insuficiencia renal, es la tercera alerta más valorada, y responsable del 25% de las alertas registradas. Se ha revisado y actualizado la información disponible para mejorar su utilidad percibida.

Prácticamente cuatro principios activos eran los responsables de las alertas de geriatría, que hacían referencia fundamentalmente al aumento gradual de las dosis y monitorización en pacientes geriátricos, cuando, en la mayoría de los casos, estos medicamentos ya formaban parte del tratamiento crónico del paciente, por lo que se decidió eliminar estas recomendaciones.

En cuanto a las dosis máximas, se detecta una baja adherencia que solo se corrige con la intervención por parte del farmacéutico.

Respecto a las interacciones, se sabe que la sensibilidad y especificidad de las alertas de interacciones tienen un alto impacto en la calidad y número de alertas presentadas. Se recomienda incluir únicamente aquellas clínicamente relevantes y que requieren una actuación14. Se ha revisado y actualizado el módulo de interacciones, y mejorado la actuación farmacéutica. Queda pendiente la introducción de algoritmos que combinen la prescripción de uno o más fármacos con el registro de un dato analítico y los límites permitidos de éste, con lo que se conseguiría aumentar la especificidad de estas alertas, ya que una de las razones más habituales para ignorarlas es la intención de monitorizar al paciente13,15,16. La incorporación de estos algoritmos altamente específicos permitiría también alertar sobre otras contraindicaciones en general, información muy valorada por los médicos como se desprende de la encuesta.

Con todo se ha conseguido reducir en un 25% los falsos positivos, es decir, se ha incrementado la utilidad del sistema de alertas (VPP). Pero la fatiga de alertas es un fenómeno complejo, que lleva asociado un componente humano que determina el que el usuario lea la alerta y valore el grado de utilidad en el momento de tomar una decisión clínica. Por lo que el impacto real de reducir el volumen de alertas está por determinar16,17. Así pues, a pesar de reducir el número de alertas no se ha logrado mejorar el grado de adherencia del usuario, que sigue anulándolas instintivamente. Probablemente para mejorar esta adherencia sea necesario informar de las mejoras a los usuarios, y se ha hecho a través de la publicación de una infografía en la intranet del hospital, y dejar un periodo de adaptación.

En cuanto a la configuración personal de alertas (pregunta F), muy pocos usuarios médicos recuerdan (tras una formación inicial) que la pueden cambiar. A pesar de que es uno de los factores que más se nombra en la literatura como ejemplo de cómo optimizar el sistema de alertas, en el estudio de Jung et al., es el aspecto menos valorado por los médicos18. Y atendiendo a la opinión de los usuarios en nuestro centro, tampoco es una opción que consideren fundamental para la mejora del sistema.

Un paso más para mejorar la eficiencia del proceso ha consistido en revisar la variabilidad de la actuación farmacéutica ante las alertas. Así, mediante una sesión formativa hemos normalizado nuestra actuación, definiendo cómo, cuándo, quien y en qué circunstancias se debe intervenir.

Un aspecto importante para un futuro será establecer la relación entre la toma de decisiones clínicas por la alerta y la calidad de la atención o resultados en salud. De hecho, ya se está reclamando de los sistemas de PEA una evolución de la información a resultados en salud14,17).

En conclusión, se ha mejorado cuantitativa y cualitativamente el sistema de alertas, siguiendo la metodología LSS.

Si bien, para garantizar el funcionamiento óptimo de estas herramientas de soporte a la decisión clínica, la confianza del usuario y su capacidad de reacción ante la información ofrecida, es necesario un mantenimiento continuo, con un refinamiento iterativo y monitorización de su funcionamiento.

Los autores declaran no tener conflicto de intereses, ni haber obtenido financiación alguna para este proyecto.

Bibliography

Cuéllar MJ, Poveda JL. Soporte a la decisión clínica en prescripción electrónica. Ayudas para una mejor prescripción. El Farmacéutico de Hospitales 2004;159: 19-28. [ Links ]

McCoy AB, Waitman LR, Lewis JB, Wright JA, Choma DP, Miller RA, Peterson JF. A framework for evaluating the appropriateness of clinical decision support alerts and responses. J Am Med Inform Assoc. 2012;19:346-52. [ Links ]

Van der Sijs H, Aarts J, Vulto A, Berg M. Overriding of drug safety alerts in computerized physician order entry. J Am Med Inform Assoc. 2006;13 (2):138-47. [ Links ]

Ojeleye O, Avery A, Gupta V, Boyd M. The evidence for the effectiveness of safety alerts in electronic patient medication record systems at the point of pharmacy order entry: a systematic review. BMC Med Inform Decis Mar. 2013; 13: 69. [ Links ]

Wolfstadt JI, Gurwitz JH, Field TS, Lee M, Kalkar S, Wu W, Rochon PA. The effect of computerized physician order entry with clinical decision support on the rates of adverse drug events: a systematic review. J Gen Intern Med. 2008; 23 (4): 451-8. [ Links ]

Van der Sijs H. Drug safety alerting in computerized physician order entry. Unraveling and counteracting alert fatigue. Rotterdam: Erasmus University; 2009. [ Links ]

Peterson JF, Bates DW. Preventable medication errors: identifying and eliminating serious drug interactions. J Am Pharm Assoc (Wash). 2001; 41:159-60. [ Links ]

Font I, Fernández MJ, Ferrer AJ, Balasch S, Edo MD, Poveda JL. Mejora del proceso farmacoterapéutico del paciente hospitalizado mediante la metodología Lean Seis Sigma. Rev Calid Asist. 2013; 28 (6):370-80. [ Links ]

Gupta P. The Six Sigma performance handbook. A statistical guide to optimizing results. 1ª ed.New York, Ed.Mcgraw-Hill; 2005. [ Links ]

Russ AL, Zillich AJ, McManus MS, Doebbeling BN, Saleem JJ. A human factors investigation of medication alerts: barriers to prescriber decision-making and clinical workflow. AMIA Annu Symp Proc. 2009; 2009: 548-52. [ Links ]

Phansalkar S, Edworthy J, Hellier E, Seger DL, Schedlbauer A, Avery AJ, Bates DW. A review of human factors principles for the design and implementation of medication safety alerts in clinical information systems. J Am Med Inform Assoc. 2010; 17: 493-501. [ Links ]

Carspecken CW, Sharek PJ, Longhurst C, Pageler NM. A clinical case of electronic health record drug alert fatigue: consequences for patient outcome. Pediatrics 2013; 131: e1970-3. [ Links ]

Nanji KC, Slight SP, Seger DL, Cho I, Fiskio JM, Redden LM, Volk LA, Bates DW. Overrides of medication-related clinical decision support alerts in outpatients. J Am Med Inform Assoc. 2014; 21 (3): 487-91. [ Links ]

Clinical Decision Support workshop meeting summary. Office of the National Coordinator for Health Information Technology. Department of Health & Human Services. August 25-26, 2009. [ Links ]

Eppenga WL, Derijks HJ, Conemans JM, Hermens WA, Wensing M, De Smet PA. Comparison of a basic and an advanced pharmacotherapy-related clinical decision support system in a hospital care setting in the Netherlands. J Am Med Inform Assoc. 2012;19:66-71. [ Links ]

Phansalkar S, Van der Sijs H, Tucker AD, Desai AA, Bell DS, Teich JM, Middleton B, Bates DW. Drug-drug interactions that should be non-interruptive in order to reduce alert fatigue in electronic health records. J Am Med Inform Assoc. 2013; 20: 489-93. [ Links ]

Coleman JJ, Van der Sijs H, Haefeli WE, Slight SP, McDowell SE, HM Seidling, Eiermann B, Aarts J, Ammenwerth E, Ferner RE, Slee A. On the alert: future priorities for alerts in clinical decision support for computerized physician order entry identified from a European workshop. BMC Medical Informatics and Decision Making 2013, 13:111. [ Links ]

Jung M, Riedmann D, Hackl W, Hoerbst A, Jaspers MW, Ferret L, Lawton K, Ammenwerth E. Physicians’ perceptions on the usefulness of contextual information for prioritizing and presenting alerts in computerized physician order entry systems. BMC Medical Informatics and Decision Making 2012; 12: 111. [ Links ]

Aronoff GA, Bennett WM, Bern JS. Drug Prescribing in Renal Failure: Dosing Guidelines for Adults and Children, 5th ed. Philadelphia, PA: American College of Physicians; 2007. [ Links ]

Mensa J, Gatell JM, García-Sánchez JE, Letang E, López-Suñé E, Marco F. Guía de Terapéutica Antimicrobiana. 14 ed. Barcelona, Ed. Antares; 2014. [ Links ]

AGS updated Beers Criteria for potentially inappropriate medication use in older adults. New York. American geriatrics society, 2012. Actualización 2014. [ Links ]

Drug Interactions. Micromedex. Consulta en: http://www.micro-medexsolutions.com. Mayo 2015. [ Links ]

Recibido: 16 de Diciembre de 2015; Aprobado: 29 de Septiembre de 2016

Creative Commons License This is an open-access article distributed under the terms of the Creative Commons Attribution License