MétaCan
Menu
Retour à la cohorte
Enregistrement W3163052779 · doi:10.30770/2572-1852-107.1.7

Saskatchewan Physicians’ Opinions of Their Personalized Prescribing Profiles Related to Opioids, Benzodiazepines, Stimulants, and Gabapentin

2021· article· en· W3163052779 sur OpenAlexaboutno aff
Derek Jorgenson, Diar Alazawi, Julia Bareham, Nicole Bootsman

Notice bibliographique

RevueJournal of Medical Regulation · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésContext (archaeology)MedicineMedical prescriptionAuditThematic analysisGabapentinLimitingFamily medicineMedical emergencyAlternative medicineNursingQualitative researchBusiness

Résumé

récupéré en direct d'OpenAlex

Overdoses of prescription medications continue to be a significant concern for health systems around the world. Medical regulators in several jurisdictions have started generating personalized prescribing profiles for individual physicians as an audit and feedback tool to reduce the sub-optimal prescribing of high-risk drugs such as opioids, benzodiazepines and stimulants. However, little is known about how to most effectively communicate the data in these prescriber profiles to the intended recipients. The aim of this study was to collect the opinions of physicians in Saskatchewan, Canada, regarding their personalized prescriber profiles. One-on-one semi-structured interviews were completed in January 2019 with 17 physicians who were given access to personalized profiles containing their prescribing information on opioids, benzodiazepines, stimulants and gabapentin. Interviews were recorded and data was analyzed using thematic analysis. Respondents thought the profiles were a useful tool that had significant potential to improve their prescribing practices. However, many physicians also thought the profiles were confusing and difficult to interpret. Several recommendations were made to improve the prescriber profiles, which may be applicable to other jurisdictions currently using, or planning to develop, similar quality improvement tools. These recommendations include: limiting the use of abbreviations and acronyms; being explicit regarding the intent of the profiles; ensuring comparator data is relevant to the individual recipient; using a combination of numbers and visuals to display data; and providing detailed context regarding what the data means.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,136
Score d'incertitude au seuil0,273

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0080,003
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,297
Écart entre enseignants0,281 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Medical RegulationMême sujetOpioid Use Disorder TreatmentTravaux en français237 207