《Teaching and Learning in Nursing》：Reducing medication errors and near misses in an associate degree nursing program
编辑推荐：
研究通过结合模拟训练和临床干预，评估了护理学生在用药安全方面的表现。结果显示学生知识显著提升（p=0.002），但仍有66%未确认过敏史、60%未完成电话订单，患者满意度无变化。
莱斯利·卡塔拉诺（Leslie Catalano）| 玛丽莲·A·普拉森（Marilyn A. Prasun）
美国伊利诺伊州立大学门诺会护理学院（Mennonite College of Nursing at Illinois State University）林肯兰社区学院（Lincoln Land Community College）模拟协调员
摘要
背景
药物错误仍然是医疗保健领域的一个关键问题。由于缺乏经验、分心以及批判性思维能力有限，护理学生更容易出现药物错误。
创新
这项质量改进计划的目的是探讨通过结合基于模拟的教育和临床干预措施，是否可以减少副学士学位护理学生中的药物错误和差错。
影响
每周评估分数从95.2%提高到了97.2%。药物安全知识评估分数在模拟后显著提高（模拟前：平均分66.12%，模拟后：平均分69.41%，p值=0.002）。然而，66%的学生没有确认自己的过敏情况，60%的学生没有完成电话医嘱的填写。患者满意度评分没有显著变化。
结论
研究结果表明，基于模拟的教育结合临床策略提高了学生的知识水平和在临床环境中的表现。该计划还指出了学生需要进一步发展的关键领域，尤其是在沟通方面。
部分摘录
现有知识
学习安全的药物给药方法对于护理学生来说至关重要，这有助于他们在护理项目中取得成功（Silvestre & Spector, 2023）。48%的护理学生在临床实习期间会犯药物错误（Dehvan et al., 2021）。高保真模拟让学生能够在安全的环境中练习高风险技能，如药物给药，从而为她们安全地执行这一操作做好准备，而不会造成伤害。
理由
这个试点项目采用了科特（Kotter）的变革模型和计划-执行-研究-行动（Plan-Do-Study-Act, PDSA）模型（Kotter et al., 2021）。当前的问题是药物错误可能导致患者受到伤害（Kim & Lee, 2022）。护理学生在学习药物给药过程时容易出错（Dehvan et al., 2021）。文献回顾表明，在模拟实验室中进行的教育活动可以让学生在安全的环境中练习药物给药，从而降低风险。
目标
这项质量改进（Quality Improvement, QI）计划的具体目标是考察一种综合教育方法（包括模拟、安静区域、十项药物给药规则检查表以及“药物给药合格”徽章）是否能够提高学生对安全药物给药实践的认识，减少药物错误和差错的发生，并提升患者对护理学生药物给药服务的满意度（见图1）。
方法
在一个副学士学位护理（ADN）到注册护士（RN）的过渡项目中实施了质量改进计划，采用了前后调查的方法。共有两个组参与：A组（2024年秋季）和B组（2025年春季）。A组共有16名参与者，平均年龄为37.35岁（标准差=9.64岁）。参与者主要为女性（81.25%），其中白人美国人占75%，非裔美国人占12.5%，其他种族占12.5%。B组共有17名参与者。
结果
进行了一项单尾独立样本z检验，以评估学生在学期最后四周的每周评估中满意度的变化情况。A组有40次药物给药行为被评为“满意”（S），表明没有药物错误或差错；2次被评为“需要改进”（NI），表明存在药物错误或差错。B组有47次“满意”和1次“需要改进”。结果显示A组的满意率为95.2%，B组略高，为97.2%。
讨论
尽管样本量较小，但这项质量改进计划确实提供了有关如何帮助护理学生在临床环境中安全给药的一些见解。模拟活动后，学生对药物安全的认识有所提高，表明模拟是一种有效的教学方法。每周评估的满意度也有所提升，这表明学生在模拟实验室中的练习可能对其实际工作产生了积极影响。
结论
基于模拟的教育结合药物给药规则检查表的使用、设置药物准备安静区域以及发放“药物给药合格”徽章等策略，有助于提高临床环境中的药物给药安全性，从而促进学生的成功。尽管样本量较小，但学生的知识水平仍有显著提升。尽管某些方面没有改善，但该计划指出了学生可能需要更多教育和练习的领域。
作者贡献声明
莱斯利·卡塔拉诺（Leslie Catalano）：负责撰写初稿和概念构思。玛丽莲·A·普拉森（Marilyn A. Prasun）：负责审阅、编辑和监督工作。
利益冲突声明
作者声明他们没有已知的个人利益关系或财务利益可能影响本文所述的研究。
资金来源
本研究未获得任何公共部门、商业机构或非营利组织的资助。
致谢
感谢艾米·布兰汉姆（Amy Branham）博士在整个项目中的数据收集工作，感谢索尼娅·斯彭斯（Sonja Spence）博士的支持与鼓励，感谢乔伊·卡曾斯基（Joi Kazenski）博士的校对工作，以及统计学硕士科迪·考克斯（Cody Cox）在数据分析方面的帮助，还有伊丽莎白·科苏斯（Elizabeth Kosuth）硕士的编辑审查。
