Unlicensed and off-label drug use in paediatrics in a mother-child tertiary care hospital
Notice bibliographique
Résumé
OBJECTIVE: To assess unlicensed and off-label drug use in a tertiary care paediatric hospital in Canada on a single day. METHODS: A cross-sectional study in a tertiary care paediatric hospital was conducted on one randomly selected day. Active prescriptions for children <18 years of age were analyzed. Unlicensed drug use was defined as the use of nonmarketed drugs in Canada or marketed drugs with pharmacy compounding. Off-label drug use was defined as the use of marketed drugs in Canada for an unapproved age group, indication, dosing, frequency and/or route of administration. Off-label drug uses associated with strong scientific support were analyzed using the Pediatric Dosage Handbook, 14th edition and Micromedex(®) Solutions. Number and proportion of unlicensed and off-label drug uses, and off-label drug uses associated with strong scientific support were measured. RESULTS: A total of 2145 drug prescriptions were extracted on March 5, 2014, for inclusion in the present study. The unlicensed drug use rate was 8.3% (57 unlicensed drug products; 75 nonmarketed drug prescriptions and 103 pharmacy compounding prescriptions) and the off-label drug use rate was 38.2% (161 substances; 819 prescriptions). Reasons for off-label drug use included unapproved age group (n=436 [53.2%]), dosing (n=226 [27.6%]), frequency (n=206 [25.2%]), indication (n=45 [5.5%]) and administration route (n=46 [5.6%]). Of the off-label drug prescriptions, 39.3% (n=322) were associated with strong scientific support. CONCLUSIONS: On a randomly selected day, 8.3% of prescriptions were unlicensed and 38.2% were off-label for children hospitalized at the authors' institution. Of off-label prescriptions, only 39.3% were associated with strong scientific support.
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 | 0,001 |
| 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 | 0,000 |
| 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; 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 ».