Effect of a multimethod quality improvement intervention on antipsychotic medication use among residents of long-term care
Notice bibliographique
Résumé
BACKGROUND: Antipsychotic medications are used to address neuropsychiatric symptoms associated with dementia. Evidence suggests that among older adults with dementia, their harms outweigh their benefits. A quality improvement initiative was conducted to address inappropriate antipsychotic medication use in long-term care (LTC) in the province of Alberta. METHODS: We conducted a multimethod evaluation of the provincial implementation of the project in 170 LTC sites over a 3-year project period incorporating a quasi-experimental before-after design. Using a three-component intervention of education and audit and feedback delivered in a learning workshop innovation collaborative format, local LTC teams were supported to reduce the number of residents receiving antipsychotic medications in the absence of a documented indication. Project resources were preferentially allocated to supporting sites with the highest baseline antipsychotic medication use. Changes in antipsychotic medication use, associated clinical and economic outcomes, and the effects of the project on LTC staff, physicians, leaders and administrators, and family members of LTC residents were assessed at the conclusion of the implementation phase. RESULTS: The province-wide initiative was delivered with a 75% implementation fidelity. Inappropriate antipsychotic medication use declined from 26.8% to 21.1%. The decrease was achieved without unintended consequences in other outcomes including physical restraint use or aggressive behaviours. The project was more expensive but resulted in less inappropriate use of antipsychotics than the pre-project period (incremental cost per inappropriate antipsychotic avoided of $5 678.71). Accounts from family, organisational leaders, and LTC staff were supportive of the project activities and outcomes. CONCLUSION: This quality improvement initiative was successfully delivered across an entire delivery arm of the continuing care sector. Quality of care in LTC was improved.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».