MétaCan
Menu
Retour à la cohorte
Enregistrement W3210947994 · doi:10.22374/cjgim.v14i3.364

Deprescribing Potentially Inappropriate Medications in a Tertiary Care Centre in Ontario

2019· article· en· W3210947994 sur OpenAlexaffvenueabout
Lilia Panamsky, Angela Ford, Siddhartha Srivastava, Don Thiwanka Wijeratne

Notice bibliographique

RevueCanadian Journal of General Internal Medicine · 2019
Typearticle
Langueen
DomaineMedicine
ThématiquePharmaceutical Practices and Patient Outcomes
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésDeprescribingMedicineTertiary careIntensive care medicineFamily medicinePolypharmacy

Résumé

récupéré en direct d'OpenAlex

We evaluated deprescribing practices of potentially inappropriate medications (PIMs) on an Internal Medicine ward in Kingston, Ontario. Methods A retrospective chart review was conducted on patients who were 65 years or older, on 5 or more medications, and hospitalized between November 1, 2017 – December 15, 2017. Medications listed in the 2015 Beer’s Criteria and opioids without a cancer diagnosis were marked as PIMs. Discharge records were used to identify PIMs that were deprescribed. Results This study included 157 patients (56.1% female). In total, 234 of 1482 (15.8%) of all medications across all patients were identified as PIMs, and 15.4% of these were deprescribed. The top deprescribed medications were antihypertensives and opioids. Nearly half of the documented deprescribing occurred because of an adverse event. Conclusion Less than 20% of PIMs are being discontinued or down-titrated in hospital. This appears to be largely reactionary and driven primarily by adverse events.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,394
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,042
Tête enseignante GPT0,317
Écart entre enseignants0,274 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of General Internal MedicineMême sujetPharmaceutical Practices and Patient OutcomesTravaux en français237 207