Digital Applications Targeting Medication Safety in Ambulatory High-Risk CKD Patients
Notice bibliographique
Résumé
Background and objectives Patients with CKD are at risk for adverse drug reactions, but effective community-based preventive programs remain elusive. In this study, we compared the effectiveness of two digital applications designed to improve outpatient medication safety. Design, setting, participants, & measurements In a 1-year randomized controlled trial, 182 outpatients with advanced CKD were randomly assigned to receive a smartphone preloaded with either eKidneyCare ( n =89) or MyMedRec ( n =93). The experimental intervention, eKidneyCare, includes a medication feature that prompted patients to review medications monthly and report changes, additions, or medication problems to clinicians for reconciliation and early intervention. The active comparator was MyMedRec, a commercially available, standalone application for storing medication and other health information that can be shared with patients' providers. The primary outcome was the rate of medication discrepancy, defined as differences between the patient’s reported history and the clinic’s medication record, at exit. Results At exit, the eKidneyCare group had fewer total medication discrepancies compared with MyMedRec (median, 0.45; interquartile range, 0.33–0.63 versus 0.67; interquartile range, 0.40–1.00; P =0.001), and the change from baseline was 0.13±0.27 in eKidneyCare and 0.30±0.41 in MyMedRec ( P =0.007). eKidneyCare use also reduced the severity of clinically relevant medication discrepancies in all categories, including those with the potential to cause serious harm (estimated rate ratio, 0.40; 95% confidence interval, 0.27 to 0.63). Usage data revealed that 72% of patients randomized to eKidneyCare completed one or more medication reviews per month, whereas only 30% of patients in the MyMedRec group (adjusted for dropouts) kept their medication profile on their phone. Conclusions In patients who are high risk and have CKD, eKidneyCare significantly reduced the rate and severity of medication discrepancies, the proximal cause of medication errors, compared with the active comparator. Clinical Trial registry name and registration number: www.ClinicalTrials.gov, NCT02905474.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».