Improving Blood Pressure Control Through Pharmacist Interventions: A Meta‐Analysis of Randomized Controlled Trials
Notice bibliographique
Résumé
BACKGROUND: Control of blood pressure (BP) remains a major challenge in primary care. Innovative interventions to improve BP control are therefore needed. By updating and combining data from 2 previous systematic reviews, we assess the effect of pharmacist interventions on BP and identify potential determinants of heterogeneity. METHODS AND RESULTS: Randomized controlled trials (RCTs) assessing the effect of pharmacist interventions on BP among outpatients with or without diabetes were identified from MEDLINE, EMBASE, CINAHL, and CENTRAL databases. Weighted mean differences in BP were estimated using random effect models. Prediction intervals (PI) were computed to better express uncertainties in the effect estimates. Thirty-nine RCTs were included with 14 224 patients. Pharmacist interventions mainly included patient education, feedback to physician, and medication management. Compared with usual care, pharmacist interventions showed greater reduction in systolic BP (-7.6 mm Hg, 95% CI: -9.0 to -6.3; I(2)=67%) and diastolic BP (-3.9 mm Hg, 95% CI: -5.1 to -2.8; I(2)=83%). The 95% PI ranged from -13.9 to -1.4 mm Hg for systolic BP and from -9.9 to +2.0 mm Hg for diastolic BP. The effect tended to be larger if the intervention was led by the pharmacist and was done at least monthly. CONCLUSIONS: Pharmacist interventions - alone or in collaboration with other healthcare professionals - improved BP management. Nevertheless, pharmacist interventions had differential effects on BP, from very large to modest or no effect; and determinants of heterogeneity could not be identified. Determining the most efficient, cost-effective, and least time-consuming intervention should be addressed with further research.
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 | 0,028 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,068 | 0,063 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».