MétaCan
Menu
Retour à la cohorte
Enregistrement W2588327698 · doi:10.1371/journal.pone.0170495

Impact of early in-hospital medication review by clinical pharmacists on health services utilization

2017· article· en· W2588327698 sur OpenAlexafffundabout
Corinne M. Hohl, N. Partovi, Isabella Ghement, Maeve E. Wickham, Kimberlyn McGrail, Lisa Reddekopp, Boris Sobolev

Notice bibliographique

RevuePLoS ONE · 2017
Typearticle
Langueen
DomaineMedicine
ThématiquePharmaceutical Practices and Patient Outcomes
Établissements canadiensInstitute of Population and Public HealthVancouver General HospitalVancouver Coastal Health Research InstituteUniversity of British ColumbiaVancouver Coastal Health
Organismes subventionnairesCanadian Institutes of Health ResearchMinistry of Health, British Columbia
Mots-clésMedicineEmergency medicinePsychological interventionEmergency departmentPharmacistAdverse effectTriageLogistic regressionClinical pharmacyConfidence intervalMEDLINEHealth carePolypharmacyPharmacyIntensive care medicineFamily medicineInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Adverse drug events are a leading cause of emergency department visits and unplanned admissions, and prolong hospital stays. Medication review interventions aim to identify adverse drug events and optimize medication use. Previous evaluations of in-hospital medication reviews have focused on interventions at discharge, with an unclear effect on health outcomes. We assessed the effect of early in-hospital pharmacist-led medication review on the health outcomes of high-risk patients. METHODS: We used a quasi-randomized design to evaluate a quality improvement project in three hospitals in British Columbia, Canada. We incorporated a clinical decision rule into emergency department triage pathways, allowing nurses to identify patients at high-risk for adverse drug events. After randomly selecting the first eligible patient for participation, clinical pharmacists systematically allocated subsequent high-risk patients to medication review or usual care. Medication review included obtaining a best possible medication history and reviewing the patient's medications for appropriateness and adverse drug events. The primary outcome was the number of days spent in-hospital over 30 days, and was ascertained using administrative data. We used median and inverse propensity score weighted logistic regression modeling to determine the effect of pharmacist-led medication review on downstream health services use. RESULTS: Of 10,807 high-risk patients, 6,416 received early pharmacist-led medication review and 4,391 usual care. Their baseline characteristics were balanced. The median number of hospital days was reduced by 0.48 days (95% confidence intervals [CI] = 0.00 to 0.96; p = 0.058) in the medication review group compared to usual care, representing an 8% reduction in the median length of stay. Among patients under 80 years of age, the median number of hospital days was reduced by 0.60 days (95% CI = 0.06 to 1.17; p = 0.03), representing 11% reduction in the median length of stay. There was no significant effect on emergency department revisits, admissions, readmissions, or mortality. LIMITATIONS: We were limited by our inability to conduct a randomized controlled trial, but used quasi-random patient allocation methods and propensity score modeling to ensure balance between treatment groups, and administrative data to ensure blinded outcomes ascertainment. We were unable to account for alternate level of care days, and therefore, may have underestimated the treatment effect in frail elderly patients who are likely to remain in hospital while awaiting long-term care. CONCLUSIONS: Early pharmacist-led medication review was associated with reduced hospital-bed utilization compared to usual care among high-risk patients under 80 years of age, but not among those who were older. The results of our evaluation suggest that medication review by pharmacists in the emergency department may impact the length of hospital stay in select patient populations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,298

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,382
Tête enseignante GPT0,544
Écart entre enseignants0,162 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations71
Publié2017
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetPharmaceutical Practices and Patient OutcomesTravaux en français237 207