Drug-related problems in elderly general practice patients receiving pharmaceutical care†
Notice bibliographique
Résumé
Abstract Objective To describe the types of drug-related problems identified by pharmacists providing pharmaceutical care to elderly patients in the primary care or general medicine setting, and the impact of their recommendations on drug-related outcomes. Methods Searches of the MEDLINE, EMBASE, CINAHL, HealthSTAR, and International Pharmaceutical Abstracts electronic databases from 1990 to 2002 were conducted and a manual search of references from retrieved articles and references on file was performed. Large (n> 100) randomised, controlled studies comparing the provision of pharmaceutical care to usual care in seniors in primary care or general medicine settings were included. Two reviewers evaluated articles based on inclusion criteria and extracted data from the intervention arm of each study, resolving discrepancies by consensus. Nine original articles were included for analysis. Key findings The mean number of drug-related problems (DRPs) identified per patient was 3.2 and the mean number of recommendations made per patient was 3.3. The most common DRP identified was not taking/receiving a prescribed drug appropriately (35.2%, range 4.7–49.3%). The most common recommendations made involved patient education (37.2%, range 4.6–48.2%). Implementation rates were generally high for all types of recommendations, with the highest being for provision of patient education (81.6%). The small number of studies available examining measures of drug utilisation and costs, health services utilisation, and patient outcomes produced inconsistent results, making it difficult to draw conclusions. Conclusions Substantial numbers and a wide range of DRPs were identified by pharmacists who provided pharmaceutical care to seniors in the primary care and general medicine setting. Pharmacists' drug-therapy recommendations were well accepted; however, further study is needed to determine the impact of these recommendations on health-related outcomes.
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 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».