Effect of periodic letters on evidence-based drug therapy on prescribing behaviour: a randomized trial
Notice bibliographique
Résumé
BACKGROUND: The effect of regular and expected printed educational materials on physician prescribing behaviour has not been studied. We sought to measure the impact of a series of evidence-based drug therapy letters mailed to physicians in British Columbia on prescribing to newly treated patients. METHODS: A paired, cluster randomized community design was used. The study population included 499 physicians from 24 local health areas in British Columbia. Local health areas were paired by number of physicians, and 1 of each pair was randomly selected and its physicians assigned to an intervention group or a control group. The intervention was 12 issues of an evidence-based series called Therapeutics Letter. Physicians in the control group (n = 241) received the letters 3-8 months after physicians in the intervention group (n = 258). The impact on prescribing to newly treated patients (defined as patients who had not previously made a claim for any medication from the class of drugs profiled in the letter) was analyzed using the drug claims database of BC Pharmacare, a publicly funded drug benefits program that covered all seniors and people receiving social assistance. RESULTS: The probability of prescribing a drug recommended in the Therapeutics Letter rather than another drug in the same class increased by 30% in the 3 months after the mailing of the letter relative to the preceding 3 months, adjusted for any before-after changes in the control group (relative risk 1.30; 95% confidence interval 1.13-1.52). No letter achieved statistical significance on its own. However, 11 of the 12 letters produced prescribing changes in the predicted direction such that the overall result was significant when their effect was combined. INTERPRETATION: The combined effect of an ongoing series of printed letters distributed from a credible and trusted source can have a clinically significant effect on prescribing to newly treated patients.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».