MétaCan
Menu
← Retour à la cohorte
Enregistrement W2955551122 · doi:10.4212/cjhp.v72i3.2900

Impact of a Layered Learning Practice Model on Delivery of Clinical Pharmacy Key Performance Indicators under a Tertiary Care Centre Oncology Service

2019· article· en· W2955551122 sur OpenAlexaffvenueabout
Jason Yung, Tiffany Nguyen, Robert MacLean, Jason Wentzell

Notice bibliographique

RevueThe Canadian Journal of Hospital Pharmacy · 2019
Typearticle
Langueen
DomaineMedicine
ThématiquePharmaceutical Practices and Patient Outcomes
Établissements canadiensToronto Western HospitalUniversity of WaterlooUniversity of TorontoOttawa HospitalUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésPharmacyClinical pharmacyPharmacistPharmacy practiceMedicineObservational studyService (business)ProductivityService delivery frameworkFamily medicineNursingInternal medicineBusiness

Résumé

récupéré en direct d'OpenAlex

ABSTRACTBackground: The layered learning practice model (LLPM), within which a pharmacist supervises both a pharmacy resident and a student, mitigates the growing demand for clinical rotations that has accompanied national expansion of Doctor of Pharmacy programs. A Canadian collaborative of hospital pharmacists established consensus on 8 clinical pharmacy key performance indicators (cpKPIs), activities associated with improved patient outcomes. Increased implementation of the LLPM alongside cpKPI measurement offers opportunities to compare the LLPM with standard practice in terms of pharmaceutical care delivery. Objective: To quantify clinical productivity, as measured by proportions of eligible patients receiving cpKPIs and absolute numbers of completed cpKPIs, across scenarios involving pharmacists working with and without pharmacy learners.Methods: In this retrospective observational study, pharmacy students, pharmacy residents, and pharmacists recorded completion of 7 cpKPIs for oncology inpatients over a total of 6 months in 2017 and 2018. Clinical productivity was described across the following 3 scenarios: presence of one or more pharmacists with one resident and one or more students (P-R-S); presence of one or more pharmacists with one or more students (P-S); and presence of one or more pharmacists only (P; standard practice). Results: During the study, there were 685 recorded admissions to the inpatient oncology service. Generally, the proportions of patients who received cpKPIs were similar for scenarios with and without pharmacy learners present. Standardized to 20 pharmacist workdays, the total number of cpKPIs 1, 2, 3, 5, 6, and 7 (255 with P-R-S scenario, 281 with P-S scenario, and 258 with P scenario) and the total number of drug therapy problems resolved (i.e., cpKPI 3; 153 with P-R-S scenario, 180 with P-S scenario, and 149 with P scenario) were similar across the scenarios. Scenario P had fewer admitted patients per pharmacist workday (3.2) than scenarios P-S and P-R-S (3.4 and 3.7, respectively), which may have contributed to a trend toward greater proportions of patients receiving cpKPIs under scenario P.Conclusions: Compared with standard practice, integration of pharmacy learners within an oncology unit did not appear to impair clinical productivity, as demonstrated by the comparable proportions of patients receiving cpKPIs and the total number of completed cpKPIs.RÉSUMÉContexte : Le modèle de pratique avec apprentissage à plusieurs niveaux (traduction libre de : Layered Learning Practice Model, [LLPM]), où un pharmacien supervise un résident et un étudiant en pharmacie, permet de réduire la demande croissante de stages cliniques qui a suivi le développement national des programmes de doctorat en pharmacie. Un regroupement canadien composé de pharmaciens d’hôpitaux a établi un consensus sur huit indicateurs clés de rendement relatifs à la pharmacie clinique (ICRpc), activités associées à l’amélioration des résultats thérapeutiques. L’accélération de la mise en œuvre du LLPM, parallèlement à l’évaluation des ICRpc, offre des occasions de comparer le LLPM aux pratiques courantes en ce qui a trait à la prestation de soins pharmaceutiques.Objectif : Quantifier la productivité clinique, en fonction des proportions de patients admissibles, profitant des ICRpc et des nombres absolus d’ICRpc évalués, dans des scénarios où les pharmaciens travaillent ou non avec des étudiants ou des résidents.Méthodes : Dans la présente étude d’observation rétrospective, des étudiants et des résidents en pharmacie ainsi que des pharmaciens ont enregistré l’évaluation complète de sept ICRpc pour des patients hospitalisés en oncologie sur une durée totale de six mois en 2017 et 2018. La productivité clinique a été décrite à l’intérieur des trois scénarios suivants : participation d’au moins un pharmacien accompagné d’au moins un résident et un étudiant (P-R-É); participation d’au moins un pharmacien accompagné d’au moins un étudiant (P-É); et participation d’au moins un pharmacien, sans étudiant ou résident (P : pratique courante). Résultats : Au cours de l’étude, on a enregistré 685 admissions au service d’hospitalisation en oncologie. Généralement, les proportions de patients profitant des ICRpc étaient semblables dans les trois scénarios. Basé sur une unité de mesure de 20 jours de travail de pharmacien, le nombre total d’ICRpc 1, 2, 3, 5, 6 et 7 (255 pour le scénario P-R-É, 281 pour le scénario P-É et 258 pour le scénario P) et le nombre total de problèmes pharmacothérapeutiques réglés (c’est-à-dire ICRpc 3; 153 pour le scénario P-R-É, 180 pour le scénario P-É et 149 pour le scénario P) étaient semblables dans les différents scénarios. Le scénario P présentait moins de patients admis par jours de travail de pharmacien (3,2) que les scénarios P-É et P-R-É (respectivement 3,4 et 3,7), ce qui peut avoir contribué à créer une tendance montrant une plus grande proportion de patients profitant des ICRpc dans le scénario P.Conclusions : Comparée à la pratique courante, l’intégration d’étudiants ou de résidents en pharmacie dans un service d’oncologie ne semblait pas réduire la productivité clinique, comme l’illustrent les proportions comparables de patients profitant d’ICRpc et le nombre total d’ICRpc évalués.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,024
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,061

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,024
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,006
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,094
Tête enseignante GPT0,443
Écart entre enseignants0,349 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Hospital Pharmacy→Même sujetPharmaceutical Practices and Patient Outcomes→Travaux en français237 207→