Improving medication safety: Development and impact of a multivariate model-based strategy to target high-risk patients
Notice bibliographique
Résumé
BACKGROUND: Preventive strategies to reduce clinically significant medication errors (MEs), such as medication review, are often limited by human resources. Identifying high-risk patients to allow for appropriate resource allocation is of the utmost importance. To this end, we developed a predictive model to identify high-risk patients and assessed its impact on clinical decision-making. METHODS: From March 1st to April 31st 2014, we conducted a prospective cohort study on adult inpatients of a 1,644-bed University Hospital Centre. After a clinical evaluation of identified MEs, we fitted and internally validated a multivariate logistic model predicting their occurrence. Through 5,000 simulated randomized controlled trials, we compared two clinical decision pathways for intervention: one supported by our model and one based on the criterion of age. RESULTS: Among 1,408 patients, 365 (25.9%) experienced at least one clinically significant ME. Eleven variables were identified using multivariable logistic regression and used to build a predictive model which demonstrated fair performance (c-statistic: 0.72). Major predictors were age and number of prescribed drugs. When compared with a decision to treat based on the criterion of age, our model enhanced the interception of potential adverse drug events by 17.5%, with a number needed to treat of 6 patients. CONCLUSION: We developed and tested a model predicting the occurrence of clinically significant MEs. Preliminary results suggest that its implementation into clinical practice could be used to focus interventions on high-risk patients. This must be confirmed on an independent set of patients and evaluated through a real clinical impact study.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».