Implementation of a Real-Time Medication Intake Monitoring Technology Intervention in Community Pharmacy Settings: A Mixed-Method Pilot Study
Notice bibliographique
Résumé
Innovative dispensing products offering real-time medication intake monitoring are being developed to address medication non-adherence. However, implementation of these interventions within the workflow of a community pharmacy is unknown. The purpose of this study was to explore factors affecting implementation of a real-time adherence-monitoring, multidose-dispensing system in community pharmacies. A mixed-method study was conducted with pharmacy staff, who packaged and dispensed medications in smart multidose packages and monitored real-time medication intake via web-portal. Pharmacy staff participated in semi-structured interviews. The Technology Acceptance Model, Theory of Planned Behaviour and Capability, Opportunity, Motivation, Behaviour Model informed the interview guide. Interview transcripts were analyzed thematically and findings were mapped back to the frameworks. The usability was assessed by the System Usability Scale (SUS). Three pharmacists and one pharmacy assistant with a mean of 19 years of practice were interviewed. Three themes and 12 subthemes were generated. Themes included: pharmacy workflow factors, integration factors, and pharmacist-perceived patient factors. The mean SUS was found to be 80.63. Products with real-time adherence monitoring capabilities are valued by pharmacists. A careful assessment of infrastructure-including pharmacy workload, manpower and financial resources-is imperative for successful implementation of such interventions in a community pharmacy setting.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».