Identifying prescribing cascades in Alzheimer's disease and related dementias: The calcium channel <scp>blocker‐diuretic</scp> prescribing cascade
Notice bibliographique
Résumé
PURPOSE: Prescribing cascades occur when a physician prescribes a new drug to address the side-effect of another drug. Persons with Alzheimer's disease and related dementias (ADRD) are at increased risk for prescribing cascades. Our objective was to develop an approach to estimating the proportion of calcium channel blocker-diuretic (CCB-diuretic) prescribing cascades among persons with ADRD in two U.S. health plans. METHODS: We identified patients aged ≥50 on January 1, 2017, dispensed a drug to treat ADRD in the 365-days prior to/on cohort entry date. Patients had medical/pharmacy coverage for 1 year before and through cohort entry. We excluded individuals with an institutional stay encounter in the 45 days prior to cohort entry and censored patients based on: disenrollment from coverage, death, or end of data. We identified incident and prevalent CCB use in the 183-days following cohort entry, and identified subsequent incident diuretic use among incident and prevalent CCB-users within 365-days from cohort entry. RESULTS: There were 121 538 eligible patients. Approximately 62% were female, with a mean age of 79.5 (SD ±8.6). Overall 2.1% of the cohort experienced a prevalent CCB-diuretic prescribing cascade with 1586 incident diuretic-users among 36 462 prevalent CCB-users (4.3%, 95% CI 4.1-4.6%]); and there were161 incident diuretic-users among 3304 incident CCB-users (4.9%, 95% CI 4.2-5.7%) (incident CCB-diuretic cascade). CONCLUSIONS: We describe an approach to identify prescribing cascades in persons with ADRD, which can be used to assess the proportion of prescribing cascades in large cohorts. We determined the proportion of CCB-diuretic prescribing cascades was low.
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 | 0,004 |
| 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 ».