Drug, Patient, and Physician Characteristics Associated With Off-label Prescribing in Primary Care
Notice bibliographique
Résumé
BACKGROUND: Off-label prescribing may lead to adverse drug events. Little is known about its prevalence and determinants resulting from challenges in documenting treatment indication. METHODS: We used the Medical Office of the XXI Century electronic health record network in Quebec, Canada, where documentation of treatment indication is mandatory. One hundred thirteen primary care physicians wrote 253 347 electronic prescriptions for 50 823 patients from January 2005 through December 2009. Each drug indication was classified as on-label or off-label according to the Health Canada drug database. We identified off-label uses lacking strong scientific evidence. Alternating logistic regression was used to estimate the association between off-label use and drug, patient, and physician characteristics. RESULTS: The prevalence of off-label use was 11.0%; of the off-label prescriptions, 79.0% lacked strong scientific evidence. Off-label use was highest for central nervous system drugs (26.3%), including anticonvulsants (66.6%), antipsychotics (43.8%), and antidepressants (33.4%). Drugs with 3 or 4 approved indications were associated with less off-label use compared with drugs with 1 or 2 approved indications (6.7% vs 15.7%; adjusted odds ratio [AOR], 0.44; 95% CI, 0.41-0.48). Drugs approved after 1995 were prescribed off-label less often than were drugs approved before 1981 (8.0% vs 17.0%; AOR, 0.46; 95% CI, 0.42-0.50). Patients with a Charlson Comorbidity Index of 1 or higher had lower off-label use than did patients with an index of 0 (9.6% vs 11.7%; AOR, 0.94; 95% CI, 0.91-0.97). Physicians with evidence-based orientation were less likely to prescribe off-label (AOR, 0.93; 95% CI, 0.88-0.99), a 7% reduction per 5 points in the evidence section of the Evidence-Practicality-Conformity Scale. CONCLUSIONS: Off-label prescribing is common and varies by drug, patient, and physician characteristics. Electronic prescribing should document treatment indication to monitor off-label use.
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 | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».