Pharmaceutical care in an inpatient pediatric hematopoietic stem cell transplant service
Notice bibliographique
Résumé
INTRODUCTION: Hematopoietic stem cell transplant patients represent a population at high risk for drug-related problems. Our objective is to describe pharmacist interventions in a hematopoietic stem cell transplant pediatric unit. METHODS AND PATIENTS. The Hematopoietic Stem Cell Transplant Unit of the Centre Hospitalier Universitaire Sainte-Justine performs around 50 hematopoietic stem cell transplants per year. During a pharmaceutical care specialized residency program, a French pharmacist participated in certain clinical activities. Drug-related problems and clinical interventions were compiled over 31 nonconsecutive days using a tool developed by the Société Française de Pharmacie Clinique. Data concerning patients, drugs, intervention, documentation, approval (if needed), and estimated impact were compiled. RESULTS: During the 31-day period, 525 interventions were collected (16.9 +/- 3.7 per day), targeting 29 patients. The main drug-related problems were adverse drug reactions (N = 125, 23.8%), untreated indication (N = 92, 17.5%) and failure to receive drug (N = 89, 17.0%). The pharmacist's interventions concerned mainly dose adjustment (N = 174, 33.1%) and drug monitoring (N = 132, 25.1%). Among the 324 (61.7%) interventions requiring a physician's approval, 302 (93.2%) were accepted without any change. CONCLUSION: A pharmacist is able to perform clinically relevant interventions in a hematopoietic stem cell transplant unit, given the complexity of the pharmacotherapy. Our description of drug-related problems and interventions may help other pharmacists already working or developing pharmaceutical care in a hematopoietic stem cell transplant unit to compare their practice and it is one of the few reported in the literature.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».