Knowledge Translation Strategy to Reduce the Use of Potentially Inappropriate Medications in Hospitalized Elderly Adults
Notice bibliographique
Résumé
OBJECTIVES: To evaluate the effect of a knowledge translation (KT) strategy to reduce potentially inappropriate medication (PIM) use in hospitalized elderly adults. DESIGN: Segmented regression analysis of an interrupted time series. SETTING: Teaching hospital. PARTICIPANTS: Individuals aged 75 and older discharged from the hospital in 2013/14 (mean age 83.3, 54.5% female). INTERVENTION: The KT strategy comprises the distribution of educational materials, presentations by geriatricians, pharmacist-physician interventions based on alerts from a computerized alert system, and comprehensive geriatric assessments. MEASUREMENTS: Rate of PIM use (number of patient-days with use of at least one PIM/number of patient-days of hospitalization for individuals aged ≥75). RESULTS: For 8,622 patients with 14,071 admissions, a total of 145,061 patient-days were analyzed. One or more PIMs were prescribed on 28,776 (19.8%) patient-days; a higher rate was found for individuals aged 75 to 84 (24.0%) than for those aged 85 and older (14.4%) (P < .001), and in women (20.8%) than in men (18.6%) (P < .001). The drug classes most frequently accounting for the PIM were gastrointestinal agents (21%), antihistamines (18%), and antidepressants (17%). An absolute decrease of 3.5% (P < .001) of patient-days with at least one PIM was observed immediately after the intervention. CONCLUSION: A KT strategy resulted in decreased use of PIM in elderly adults in the hospital. Additional interventions will be implemented to maintain or further reduce PIM use.
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) | 0,000 | 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 | 0,000 |
| 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 ».