Examining patterns in medication documentation of trade and generic names in an academic family practice training centre
Notice bibliographique
Résumé
BACKGROUND: Studies in the United States have shown that physicians commonly use brand names when documenting medications in an outpatient setting. However, the prevalence of prescribing and documenting brand name medication has not been assessed in a clinical teaching environment. The purpose of this study was to describe the use of generic versus brand names for a select number of pharmaceutical products in clinical documentation in a large, urban academic family practice centre. METHODS: A retrospective chart review of the electronic medical records of the St. Michael's Hospital Academic Family Health Team (SMHAFHT). Data for twenty commonly prescribed medications were collected from the Cumulative Patient Profile as of August 1, 2014. Each medication name was classified as generic or trade. Associations between documentation patterns and physician characteristics were assessed. RESULTS: Among 9763 patients prescribed any of the twenty medications of interest, 45% of patient charts contained trade nomenclature exclusively. 32% of charts contained only generic nomenclature, and 23% contained a mix of generic and trade nomenclature. There was large variation in use of generic nomenclature amongst physicians, ranging from 19% to 93%. CONCLUSIONS: Trade names in clinical documentation, which likely reflect prescribing habits, continue to be used abundantly in the academic setting. This may become part of the informal curriculum, potentially facilitating undue bias in trainees. Further study is needed to determine characteristics which influence use of generic or trade nomenclature and the impact of this trend on trainees' clinical knowledge and decision-making.
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 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».