Pharmacist Prescribing in Pediatric and Neonatal Acute Care: An Observational Study
Notice bibliographique
Résumé
OBJECTIVE: The intent of this project was to objectively describe the frequency of pharmacist prescribing in acute care pediatrics and neonatology and to determine the medications most often prescribed by pharmacists practicing in a jurisdiction that permits pharmacists' prescribing. METHODS: This was a subgroup analysis of a retrospective observational study using prescribing data from an electronic medical record system used in 5 acute care hospitals (1 pediatric, 4 primarily adult but with pediatric and neonatal units) within Calgary, Alberta, Canada. RESULTS: Considering orders for pediatric or neonatal patients only, there was a mean (SD) of 126 (226) prescriptions per pharmacist per year, with a wide range (1-1101 per year). Considering only the 9 clinical pharmacist full-time equivalents (FTEs) assigned to pediatrics and/or neonatology (i.e., not including dispensary pharmacist FTE), this represents 572 prescriptions per clinical pharmacist FTE per year (726 in pediatrics and 380 in neonatology). The most common medication classes on pediatric units included anti-infective agents, central nervous system agents, and gastrointestinal agents. In NICUs, blood formation, coagulation and thrombosis agents (mainly iron), electrolytes, caloric and water balance agents (primarily sodium supplements), and vitamins were also commonly prescribed by pharmacists. CONCLUSIONS: As the scope of pharmacy practice expands to include prescribing, health team leadership can use these data to support incorporation of this role into practice. Prescribing pharmacists can ensure appropriate use of many medications used in acutely ill infants and children, potentially improving efficiency and quality of 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».