Effects of a refined evidence-based toolkit and mentored implementation on medication reconciliation at 18 hospitals: results of the MARQUIS2 study
Notice bibliographique
Résumé
BACKGROUND: The first Multicenter Medication Reconciliation Quality Improvement (QI) Study (MARQUIS1) demonstrated that mentored implementation of a medication reconciliation best practices toolkit decreased total unintentional medication discrepancies in five hospitals, but results varied by site. The objective of this study was to determine the effects of a refined toolkit on a larger group of hospitals. METHODS: We conducted a pragmatic quality improvement study (MARQUIS2) at 18 North American hospitals or hospital systems from 2016 to 2018. Incorporating lessons learnt from MARQUIS1, we implemented a refined toolkit, offering 17 system-level and 6 patient-level interventions. One of eight physician mentors coached each site via monthly calls and performed one to two site visits. The primary outcome was number of unintentional medication discrepancies in admission or discharge orders per patient. Time series analysis used multivariable Poisson regression. RESULTS: A total of 4947 patients were sampled, including 1229 patients preimplementation and 3718 patients postimplementation. Both the number of system-level interventions adopted per site and the proportion of patients receiving patient-level interventions increased over time. During the intervention, patients experienced a steady decline in their medication discrepancy rate from 2.85 discrepancies per patient to 0.98 discrepancies per patient. An interrupted time series analysis of the 17 sites with sufficient data for analysis showed the intervention was associated with a 5% relative decrease in discrepancies per month over baseline temporal trends (adjusted incidence rate ratio: 0.95, 95% CI 0.93 to 0.97, p<0.001). Receipt of patient-level interventions was associated with decreased discrepancy rates, and these associations increased over time as sites adopted more system-level interventions. CONCLUSION: A multicentre medication reconciliation QI initiative using mentored implementation of a refined best practices toolkit, including patient-level and system-level interventions, was associated with a substantial decrease in unintentional medication discrepancies over time. Future efforts should focus on sustainability and spread.
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 | 0,038 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».