Drug interactions detected by a computer-assisted prescription system in primary care patients in Spain: MULTIPAP study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Drug interactions increase the risk of treatment failure, intoxication, hospital admissions, consultations and mortality. Computer-assisted prescription systems can help to detect interactions. OBJECTIVES: To describe the drug-drug interaction (DDI) and drug-disease interaction (DdI) prevalence identified by a computer-assisted prescription system in patients with multimorbidity and polypharmacy. Factors associated with clinically relevant interactions were analysed. METHODS: Observational, descriptive, cross-sectional study in primary health care centres was undertaken in Spain. The sample included 593 patients aged 65-74 years with multimorbidity and polypharmacy participating in the MULTIPAP Study, recruited from November 2016 to January 2017. Drug interactions were identified by a computer-assisted prescription system. Descriptive, bivariate, and multivariate analyses with logistic regression models and robust estimators were performed. RESULTS: Half (50.1% (95% CI 46.1-54.1)) of the patients had at least one relevant DDI and 23.9% (95% CI 18.9-25.6) presented with a DdI. Non-opioid-central nervous system depressant drug combinations and benzodiazepine-opioid drug combinations were the two most common clinically relevant interactions (10.8% and 5.9%, respectively). Factors associated with DDI were the use of more than 10 drugs (OR 11.86; 95% CI 6.92-20.33) and having anxiety/depressive disorder (OR 1.98; 95% CI 1.31-2.98). Protective factors against DDI were hypertension (OR 0.62; 95% CI 0.41-0.94), diabetes (OR 0.57; 95% CI 0.40-0.82), and ischaemic heart disease (OR 0.43; 95% CI 0.25-0.74). CONCLUSION: Drug interactions are prevalent in patients aged 65-74 years with multimorbidity and polypharmacy. The clinically relevant DDI frequency is low. The number of prescriptions taken is the most relevant factor associated with presenting a clinically relevant DDI.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle