High-risk medications in older patients with trauma: a cross-sectional study of risk mitigation
Notice bibliographique
Résumé
Background: The Beers Criteria for Potentially Inappropriate Medication Use inOlder Adults is a framework that can assess the nature of high-risk medication use. The objective of this study was to use the Beers Criteria to assess the prevalence and nature of polypharmacy, the magnitude of medication changes during the hospital stay and the impact of Beers Criteria medications on outcomes in older patients with trauma. Methods: We used the Alberta Trauma Registry to conduct a retrospective review of patients aged 65 years or older with major trauma (Injury Severity Score ≥ 12) who were admitted to a level 1 trauma centre between January 2013 and December 2014. We analyzed changes in medication prescriptions during the hospital stay using descriptive statistics and assessed the association between Beers Criteria medications and relevant outcomes using multivariable regression analysis. Results: There was no significant change in the number of Beers Criteria medications prescribed before and after admission. The adjusted odds ratio for 30-day mortality for each additional Beers Criteria medication prescribed was 2.02 (95% confidence interval [CI] 1.16–3.51) versus 1.24 (95% CI 1.04–1.59) for each additional medication of any type. The corresponding adjusted incidence rate ratios for length of stay were 1.15 (95% CI 1.03–1.30) versus 1.05 (95% CI 1.01–1.10). Conclusion: Beers Criteria medications were not discontinued during trauma admissions. Using the Beers Criteria as a process indicator for quality improvement in trauma care may provide interdisciplinary trauma teams an opportunity to audit patient medications and stop potentially harmful medications in a vulnerable population.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».