Interventions to improve medicines optimisation in older people with frailty in primary care: a systematic review
Notice bibliographique
Résumé
OBJECTIVES: To identify studies that delivered an intervention to frail older people to improve medicines optimisation; identify the outcomes reported in these studies; and assess the effectiveness of these interventions on chosen study outcomes. METHOD: Eight electronic databases and four trial registries were systematically searched from the date of inception to April 2020. Inclusion criteria were randomised controlled trials and non-randomised studies of interventions to improve medicines optimisation (including administration, adherence, deprescribing, prescribing and/or medication review) in community-dwelling older people (aged ≥65 years) with a frailty diagnosis. Only studies published in English were included. A narrative synthesis was conducted, and quality was assessed using an appropriate risk of bias tool. KEY FINDINGS: Searches identified 601 articles; one study met the criteria for inclusion. The single eligible study used a quasi-experimental pre-test-post-test study design to evaluate the impact of a pharmacist-led, team-based medication review for 54 frail older patients living in primary care. Improvements in the total number of medications and prescribing appropriateness were observed. The study was judged to be at an overall serious risk of bias. CONCLUSION: There is a dearth of high-quality evidence demonstrating the effectiveness of medicines optimisation interventions for older people with frailty within primary care. Due to the strong association between patients' level of frailty and adverse outcomes, it is important that future research focuses on proactive interventions which may be beneficial to this patient population.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».