The ‘top 100’ drugs and classes in England: an updated ‘starter formulary’ for trainee prescribers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
AIMS: Prescribing is a complex skill required of doctors and, increasingly, other healthcare professionals. Use of a personal formulary can help to develop this skill. In 2006-9, we developed a core list of the 100 most commonly prescribed drugs. Our aim in the present study was to update this 'starter formulary' to ensure its continued relevance for prescriber training. METHODS: We analysed large contemporary primary and secondary care datasets to identify the most frequently prescribed medicinal products. Items were classified into natural groups, broadly following their British National Formulary classification. The resulting drug groups were included in the core list if they comprised ≥0.1% prescriptions in both settings or ≥0.2-0.3% prescriptions in one setting. Drugs from emergency guidelines that did not qualify by prescribing frequency completed the list. RESULTS: Over 1 billion primary care items and approximately 1.8 million secondary care prescriptions were analysed. The updated list comprises 81 drug groups commonly prescribed in both settings; six from primary care; seven from secondary care; and six from emergency guidelines. Eighty-eight per cent of the formulary was unchanged. Notable changes include entry of newer anti-epileptics and dipeptidyl peptidase-4 inhibitors and exit of phenytoin and thiazolidinediones. CONCLUSIONS: The relative stability of the core drug list over 9 years and the current update ensure that learning based on this list remains relevant to practice. Trainee prescribers may be encouraged to use this 'starter formulary' to develop a sound basis of prescribing knowledge and skills that they can subsequently apply more widely.
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.
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 | 0,003 | 0,001 |
| 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 | 0,001 |
| 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 découle