<p>Utilization of computerized clinical decision support for potentially inappropriate medications</p>
Notice bibliographique
Résumé
Background: Electronic medical record (EMR) alerts may inform point of care decisions, including the decision to prescribe potentially inappropriate medications (PIM) identified in the Beers criteria. EMR alerts may not be considered relevant or informative in the clinician context, leading to a phenomenon colloquially known as “alert fatigue.” Objective: To assess the frequency of clinical interaction with EMR alerts and associated deprescribing behaviors in ambulatory settings. Methods: This is a retrospective observational study in two ambulatory clinics (the Kaye Edmonton Clinic Senior’s Clinic and the Lynnwood Family Practice Clinic) in Edmonton over an observational period of 30 months. Statistical analysis was done using descriptive statistics, chi-square and regression analysis. Results: The reminder performance for interactions with the alert was 17.2% across the two clinics. The Number Needed to Remind (NNR) or mean number of alerts shown on clinician screens prior to a single interaction of any kind with the alert was 5.8. When actions were defined as a deprescribing (ie discontinuation) event that was related to the alert and that particular interaction in the EMR, the reminder performance was 1.2%, for an NNR of 82.8. Conclusion: The configuration of alerts in the EMR was not associated with a clinically detectable increase in the uptake of the Beers criteria for high hazard medications. Keywords: polypharmacy, Beers Criteria, deprescribing, best practice advisory, alert fatigue, e-prescribing, prescribing
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».