Assessment of the impact of pharmacy learners on admission medication reconciliation in Toronto, Canada
Notice bibliographique
Résumé
Abstract Introduction Currently there is a lack of published data examining the clinical impact of pharmacy learners on patient care outcomes in acute care. A collaborative of hospital pharmacists in Canada established consensus on eight clinical pharmacy key performance indicators (cpKPIs) representing essential patient processes of care. Of the eight cpKPIs, admission medication reconciliation has been established as a cornerstone patient care process. The implementation of cpKPI measurement creates an opportunity to quantify pharmacy learner contribution to patient care. Aim To determine if the presence of pharmacy learners partnering with pharmacists is associated with an increased number of patients receiving admission medication reconciliation (AMR). Methods In this prospective observational study, pharmacists and learners (on 5‐week rotations) tracked patients receiving AMR in the electronic health record from 25 January to 17 July 2016. The number of patients receiving AMR were compared during timeframes when a learner was present (intervention) to when a learner was not present (control). Results In the main analysis of 30 learner‐pharmacist pairs with 4684 patients, 1136 patients received AMR in the intervention group versus 887 patients in the control group (adjusted for 5 weeks). The number of patients receiving AMR in the presence of a pharmacy learner partnered with a pharmacist (median = 43, IQR = 23–59) was significantly increased compared to the presence of a pharmacist alone (median = 36, IQR = 17–53, p < 0.001). Learners partnered with pharmacists to perform AMR for 41% of the patients. Conclusion Overall, pharmacy learners partnering with pharmacists increased the number of patients receiving AMR.
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 | 0,003 | 0,005 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».