Health Care Provider Utilization of Prescription Monitoring Programs: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
OBJECTIVE: To synthesize the literature on the proportion of health care providers who access and use prescription monitoring program data in their practice, as well as associated barriers to the use of such data. DESIGN: We performed a systematic review using a standard systematic review method with meta-analysis and qualitative meta-summary. We included full-published peer-reviewed reports of study data, as well as theses and dissertations. METHODS: We identified relevant quantitative and qualitative studies. We synthesized outcomes related to prescription monitoring program data use (i.e., ever used, frequency of use). We pooled the proportion of health care providers who had ever used prescription monitoring program data by using random effects models, and we used meta-summary methodology to identify prescription monitoring program use barriers. RESULTS: Fifty-three studies were included in our review, all from the United States. Of these, 46 reported on prescription monitoring program use and 32 reported on barriers. The pooled proportion of health care providers who had ever used prescription monitoring program data was 0.57 (95% confidence interval: 0.48-0.66). Common barriers to prescription monitoring program data use included time constraints and administrative burdens, low perceived value of prescription monitoring program data, and problems with prescription monitoring program system usability. CONCLUSIONS: Our study found that health care providers underutilize prescription monitoring program data and that many barriers exist to prescription monitoring program data use.
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 | 0,014 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,019 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».