Deprescribing in a family health team: a study of chronic proton pump inhibitor use
Notice bibliographique
Résumé
BACKGROUND Proton pump inhibitors (PPIs) are often used inappropriately, without an indication, or for longer durations than recommended. Few tools exist to guide reassessment of their continued use and deprescribing if required. We aimed to reduce inappropriate drug use by developing and implementing a PPI deprescribing tool and process in a family medicine unit. ASSESSMENT OF PROBLEM Primary care providers of adults taking a PPI for 8 weeks with an upcoming periodic health examination were reminded to reassess therapy via electronic medical record (EMR) messaging. A PPI Deprescribing Tool was uploaded into the EMR as a second reminder and to guide reassessment and deprescribing where indicated. Ten weeks after the examination a chart review assessed changes to PPI use. A follow up survey of providers assessed the utility and barriers to implementing the Deprescribing Tool. RESULTS Forty-three of 46 patients on PPIs (93%) had their PPI reassessed, resulting in 11 patients (26%) having their PPI deprescribed. Strategies for Improvement Routine reassessment of long-term medications is often overlooked because of extensive demands on primary care providers' time. Deprescribing likely improved because potentially eligible patients were identified to the provider and a tool was provided at the time of the encounter to guide the deprescribing process. LESSONS Reassessment and deprescribing of PPIs can be supported by implementing a standardised process and use of guidance tools for clinicians. Providers found the timely and selective reminder message to deprescribe the most useful component of the intervention. KEYWORDS proton pump inhibitor; deprescribing; reassessment; primary care; medication therapy management; gastroesophageal reflux disease.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».