Interventions to Improve Metabolic Risk Screening Among Adult Patients Taking Antipsychotic Medication: A Systematic Review
Notice bibliographique
Résumé
OBJECTIVE: Antipsychotic use is associated with elevated cardiometabolic risk. Guidelines for metabolic risk screening of individuals taking antipsychotics have been issued, but with little uptake into clinical practice. This review systematically assessed interventions that address this guideline-to-practice gap and described their quality, improvement strategies, and effect on screening rates. METHODS: Studies of interventions that addressed metabolic risk screening of adult patients taking antipsychotics, published from inception to July 2018, were selected from MEDLINE, Embase, PsycINFO, CINAHL, and Cochrane Reviews databases. Information was extracted on study characteristics; improvement strategies at the provider, patient, and system levels; and screening rates in the intervention and comparison groups. RESULTS: The review included 30 complex interventions that used between one and nine unique improvement strategies. Social influence to shift provider and health organization culture to encourage metabolic risk screening was a common strategy, as were clinical prompts and monitoring tools to capture provider attention. Most studies were deemed at high risk of bias. Relative to comparison groups, the interventions were associated with an increase in median screening rates for glucose (28% to 65%), lipids (22% to 61%), weight (19% to 67%), and blood pressure (22% to 80%). CONCLUSIONS: This knowledge synthesis points to shortcomings of current interventions to improve antipsychotic metabolic risk screening, both in quality and in outcomes. Findings may be used to inform the design of future programs. Additional interventions are needed to address the current guideline-to-practice gap, in which approximately one-third of patients are unscreened for metabolic risk.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».