Drug-drug interactions and their predictors: results from Indian elderly inpatients
Notice bibliographique
Résumé
BACKGROUND: In view of the multiple co-morbidities, the elderly patients receiving drugs are prone to suffer with drug interactions since they receive a greater number of drugs. OBJECTIVE: The study was undertaken to determine the prevalence of drug interactions, as well as their predictors. METHODS: The prescriptions of a total of 1510 inpatients were collected prospectively for 1.5 years from inpatients wards of public tertiary care teaching hospital. All the prescriptions were checked for drug interactions using the Micromedex® Drug-Reax database-2010 and Stockley's Drug Interactions. Regression analyses sought to determine predictors for the drug interaction. RESULTS: The patients, with the average age of 67.2 ±0.2 years, were prescribed an average of 9.15 ±0.03 medications. It was found that out of 1510 prescriptions of inpatients, 126 (8.3%) prescriptions had one or more than one drug interaction. All the identified interactions were severe in nature. The top most interacting drugs were acetylsalicylic acid and anticoagulant (n=59). The second top most interacting drug combination was clopidogrel and proton pump inhibitors (n=51). The most commonly involved drugs in interactions were C (cardiovascular system) and A (alimentary tract and metabolism). Using multivariate binary logistic regression, multiple drugs (Odds Ratio=4.5; 95% Confidence Interval: - 2.38 -9.47) and multiple diagnoses (Odds Ratio=2.6; 95%CI: -1.40 -5.57) were found to be significant predictors for drug interaction. CONCLUSIONS: The results of this study substantiate the occurrence of severe drug interactions among Indian elderly inpatients. In order to provide safer pharmaceutical care, the active involvement of clinical pharmacists is a potential option.
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 | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».