Drug-Drug Interaction Assessment and Identification in the Primary Care Setting
Notice bibliographique
Résumé
BACKGROUND: Drug-drug interactions (DDIs) are ubiquitous, harmful and a leading cause of morbidity and mortality. With an aging population, growth in polypharmacy, widespread use of supplements, and the rising opioid abuse epidemic, primary care physicians (PCPs) are increasingly challenged with identifying and preventing DDIs. We set out to evaluate current clinical practices related to identifying and treating DDIs and to determine if opportunities to increase prevention of DDIs and their adverse events could be identified. METHODS: In a nationally representative sample of 330 board-certified family and internal medicine practitioners, we evaluated whether PCPs assessed DDIs in the care they provided for three simulated patients. The patients were taking common prescription medications (e.g. opioids and psychiatric medications) along with other common ingestants (e.g. supplements and food) and presented with symptoms of DDIs. Physicians were scored on their ability to inquire about the patient's medications, investigate possible DDIs, evaluate the patient, and provide treatment recommendations. We scored the physicians' care recommendations against evidence-based criteria, including overall care quality and treatment for DDIs. RESULTS: Average overall quality of care score was 50.5% ± 12.0%. Despite >99% self-reported use of medication reconciliation practices and tools, physicians identified DDIs in only 15.3% of patients, with 15.5% ± 20.3% of DDI-specific treatment by the physicians. CONCLUSIONS: PCPs in this study did not recognize or adequately treat DDIs. Better methods are needed to screen for DDIs in the primary care setting.
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 | 0,014 | 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 | 0,000 |
| 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 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 ».