Indicators of Preventable Drug-related Morbidity in Older Adults
Notice bibliographique
Résumé
OBJECTIVE: To determine the incidence of preventable drug-related morbidity (PDRM) in older adults in a provider-sponsored network and identify risk factors for PDRM. METHODS: The study was based on a retrospective review of an integrated health care database, using 52 newly developed clinical indicators of PDRM. The incidence of PDRM was determined by identifying individuals in the database who matched an outcome and pattern of care associated with an indicator. Risk factors were determined through a forward inclusion logistic regression model. The subjects in this study were 3,365 older adults enrolled in a hospital-based health care system in Florida in 1997. The principal outcome measure was identification of individuals who matched a PDRM indicator and risk factors for PDRM. RESULTS: Ninety-seven enrollees who matched one or more of 52 PDRM indicators were found in 3,365 older adults, for an overall incidence rate of 28.8 per 1000. The top 5 indicators of PDRM were responsible for 46.8% of all PDRMs found. Regression analysis identified 5 risk factors: 4 or more recorded diagnoses, 4 or more prescribers, 6 or more prescription medications, antihypertensive drug use, and male gender. CONCLUSION: This study demonstrated that clinical indicators can be used in a managed care organization to identify seniors who have experienced a PDRM. The risk model should better prepare managed care organizations to proactively identify patients at risk for PDRM and to optimize medication use in older adults.
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) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».