Assessing Medication Problems in those ≥ 65 Using the STOPP and START Criteria
Notice bibliographique
Résumé
BACKGROUND: Polypharmacy is a key problem for those ≥65. OBJECTIVE: To summarise for individuals ≥65 the rates of Potentially Inappropriate Medications (PIMs) identified by application of STOPP, and Potential Prescribing Omissions (PPOs) by START criteria. METHODS: Search: Databases were searched 1980 to 1 December 2015. For Medline the search yielded 3,691 systematic reviews or meta-analyses and 301 when limited to 65 years and over. STOPP.mp yielded 180 citations, START.mp 109,132 and 105 when limited to both. For Embase the search yielded 24,681 systematic reviews or meta-analyses, and 881 when limited to 65+ years. STOPP.mp yielded 427 citations and START.mp 147,322, and 327 when limited to both. RESULTS: Search: identified 28 studies with data and plus a systematic review using STOPP/START criteria. For community dwelling-individuals for national outpatient databases (n=1,528,785) PIMs weighted average was 31%, PPOs 47%. For small community studies (n=2,228) PIMs weighted average was 26%, PPOs 24%. For hospitalised patients (n=4,237) PIMs weighted average was 47%, PPOs 50%. For nursing home patients PIMs weighted average (n=1,539 patients) was 59%, PPOs (n=463 residents) 49%. Principal PIMs were benzodiazepines, proton pump inhibitors, NSAIDs, aspirin, and duplicate medications. Principal PPOs were omissions of medications for cardiovascular diseases, hypertension, osteoporosis, diabetes and hyperlipidemia. CONCLUSIONS: Rates of PIMs and PPOs are high. Criteria are currently based on expert consensus. Next steps are to link criteria to the best internationally-accepted evidence-based systematic reviews/guidelines and conduct RCTs to test whether application of the criteria leads to lower rates of medication errors and hospital admissions.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».