Pharmaceutical recommendations in a university hospital transplant unit
Notice bibliographique
Résumé
Introduction: The transplanted patient has a complex pharmacotherapy, with the pharmacist having an important role in the multidisciplinary team. Objective: To analyze the pharmaceutical recommendations made during the hospitalization of the patients in kidney and liver transplant units. Methods: This was a cross-sectional study in which pharmaceutical recommendations from May 2017 to April 2018 were collected from the records contained in the database of the Clinical Pharmacy Unit of a University Hospital in Fortaleza, Brazil. The recommendations were categorized and analyzed based on the classification used in the institution. Results: There were 1241 pharmaceutical recommendations involving 325 patients and 1466 medications. The recommendations were more frequent during liver transplantation (54.2%, n = 672), with dose adjustments (18.2%, n = 122) and dilution / reconstitution (9.8%, n = 66) being the most predominant types. In kidney transplantation, recommendations for education about medication use (17.6%, n = 100) and treatment adherence strategies (17.6%, n = 100) were the most predominant. The most frequent therapeutic classes were systemic antibacterials (31.2%, n = 458) and immunosuppressants (25.1%, n = 368). The acceptance rate of recommendations for kidney and liver transplantation were 95.1% (n = 541) and 95.4% (n = 641), respectively. Conclusions: The present study showed a high frequency of pharmaceutical recommendations and these results demonstrate that the detection of drug-related problems generates pharmaceutical recommendations that can contribute to the reduction of negative drug-associated results and increase patient safety.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».