Improving Hydroxychloroquine Dosing and Toxicity Screening at a Tertiary Care Ambulatory Center: A Quality Improvement Initiative
Notice bibliographique
Résumé
OBJECTIVE: Hydroxychloroquine (HCQ) is a commonly used weight-based medication with a risk of retinal toxicity when prescribed at doses above 5 mg/kg/day. The objectives of our study were (1) to characterize the frequency of inappropriate HCQ dosing and retinopathy screening, and (2) to improve guideline-based management by implementing quality improvement (QI) strategies. METHODS: A retrospective chart review was performed to obtain baseline analysis of HCQ dosing, weight documentation, and retinal toxicity screening to characterize current practices. The primary aim was to increase the percentage of patients appropriately dosed from 30% to 90% over a 10-month period. The secondary aim was to increase the percentage of documented retinal screening from 59% to 90%. The process measure was the number of patients with a documented weight in the chart. The balancing measure was the physician's perceived increase in time spent with each patient due to implemented interventions. QI methodology was used to implement sequential change ideas: (1) HCQ weight-based dosing charts to facilitate prescription regimens; (2) addition of scales to patient rooms to facilitate weight documentation; and (3) electronic medical record (EMR) "force function" involving weight documentation and autodosing prescription. RESULTS: The percentage of patients being weighed increased from 40% to 92% after 10 months. Appropriate HCQ dosing improved from 30% to 89%. Retinal screening documentation improved by 33%. CONCLUSION: Dosing charts in clinic rooms, addition of weight scales, and EMR force function autodosing prescriptions significantly improved appropriate HCQ dosing practices. These interventions are generalizable and can promote safe and guideline-based care.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».