What drugs are our frail elderly patients taking? Do drugs they take or fail to take put them at increased risk of interactions and inappropriate medication use?
Notice bibliographique
Résumé
OBJECTIVE: To determine whether there were discrepancies between what medications frail elderly outpatients took and what physicians thought they took and whether discrepancies put patients at risk of taking inappropriate drugs and of increasing the potential for drug interactions. DESIGN: Case series. SETTING: Day Hospital Program at St Mary's of the Lake Hospital in Kingston, Ont. PARTICIPANTS: One hundred twenty community-living elderly patients attending the Day Hospital Program in 1998. Three patients and two family physicians declined to participate. MAIN OUTCOME MEASURES: Lists of medications being taken by patients compared with lists of medications in physicians' charts. Category according to explicit criteria that each drug fell into and risk of drug interactions as determined by the Clinidata Drug Interaction Program. RESULTS: Of the 120 patients, 115 had at least one discrepancy between their lists of medications and their physicians' lists. Of the 1390 medications on the lists, 521 (37%) were being taken by patients without their doctors' knowledge, 82 (6%) were not being taken by patients when doctors thought they were, and 133 (10%) were on both patients' and their doctors' lists but with dosages or frequency of administration that were different. More potential drug interactions were identified on patients' lists than on physicians' lists. No increase in risk of inappropriate drug use was identified. CONCLUSION: Family physicians are often unaware of all the medications their patients are actually taking. Medications used by patients without physicians' knowledge increase the likelihood of drug interactions. Family physicians should look at and inquire about all medications, including over-the-counter drugs, their patients are actually taking.
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 | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 ».