Prevalence and therapeutic intensity of dispensed drug groups for individuals with multiple medications: a register-based study of 2.2 million individuals
Notice bibliographique
Résumé
To assess the prevalence and the therapeutic intensity of dispensed drug groups for individuals receiving multiple medications. The individual-based data of all dispensed outpatient prescriptions in Sweden in 2006 were analysed. Five or more dispensed drugs (DP ≥ 5) during a 12-month period were applied as an indicator of multiple medications. The drugs were categorized according to the second level of the World Health Organization's Anatomic, Therapeutic, Chemical classification. The defined daily dosage per individual during 12 months was applied as an indicator of the therapeutic intensity. For the 2.2 million individuals with DP ≥ 5, the drug groups with the highest prevalences were antibacterials (48.2%), analgesics (40.3%), psycholeptics (35.9%), antithrombotic agents (33.4%) and beta-blocking agents (31.7%). As examples, the level of prevalence increased with age for analgesics, psycholeptics, antithrombotic agents and diuretics, and decreased with age for antibacterials, drugs for obstructive airway diseases and antihistamines for systemic use. Substantial differences in the level of prevalence between women and men were observed for several drug groups; for example, thyroid therapy (13.3 vs 3.6%), psychoanaleptics (26.3 vs 18.2%), drugs used in diabetes (9.1 vs 15.7%) and lipid-modifying agents (18.1 vs 30.7%). Generally, the therapeutic intensity increased with the increasing number of dispensed drugs. For a third of the most common drug groups, the therapeutic intensity increased with an increasing age above the 60–69-year age group. The number of drugs taken not only increases the potential risks associated with multiple drug use, but also increases the potential burden of an increased therapeutic intensity, especially for older people. The reported findings may enlighten physicians and healthcare stakeholders concerning the complex patterns of multiple drug use in the entire population and the associated expenses. The findings may also be used as a base for interventions aiming to bring about the most appropriate and balanced prescription of medicines to individuals with multiple diseases.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».