Pharmacist Intervention Program for Control of Hypertension
Notice bibliographique
Résumé
BACKGROUND: Pharmaceutical care programs have been shown to improve outcomes in hypertension. However, most programs required direct access to patient medical chart and patient consultation sessions by appointment. OBJECTIVE: To follow the current practice of community pharmacy, exploring the effect of an intervention program on blood pressure (BP) and factors affecting BP. METHODS: Treated hypertensive patients were enrolled in a 9-month controlled study involving 9 community pharmacies. The PRECEDE-PROCEED model was used as conceptual framework to identify factors affecting BP, to incorporate those factors in an intervention program, and to evaluate the impact of the program. A computerized decision-aid tool was used by pharmacists from 4 pharmacies to provide pharmaceutical care to subjects (n = 41); pharmacists from the 5 other pharmacies performed usual care (n = 59). As there was a statistically significant interaction due to family income in describing the impact of pharmacists' intervention on BP, population was stratified by family income in the analyses. RESULTS: Compared with the control group, the pharmacy program resulted in significant systolic BP reduction (-7.8 vs. 0.5 mm Hg; p = 0.01) and an increase in the proportion of controlled patients only for those with high incomes. In the high-income group, the program also had a positive impact on physical activity, self-reported adherence, health concerns, and information transmitted. The low-income group did not appear to benefit from the program. CONCLUSIONS: Pharmacist intervention can modify factors affecting adherence, improve adherence, and reduce BP levels in patients treated with antihypertensive agents. Impact of pharmacist intervention on BP differed according to patient income status.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».