MedSafer to Support Deprescribing for Residents of Long-Term Care: a Mixed-Methods Study
Notice bibliographique
Résumé
BackgroundPolypharmacy is prevalent in long-term care homes (LTCH) and increases the risk of adverse drug events. Feasible and effective deprescribing interventions applicable in the LTCH environment are needed. MethodsWe performed a mixed methods study to evaluate the feasi-bility, applicability, and effectiveness of an electronic depre-scribing tool, MedSafer, to facilitate quarterly medication reviews (QMRs) on two pilot units in an academic long-term care home (LTCH). Chart reviews collected resident health data. The prevalence of deprescribing at a standard QMR was compared with a QMR conducted three months later with MedSafer. Feedback from physicians on their experience with MedSafer was obtained through semi-structured interviews. ResultsPhysicians found MedSafer helpful in guiding deprescribing decisions and suggested software improvements to increase the feasibility in LTCH. The average number of medications deprescribed per resident was significantly higher at the Med-Safer QMR (mean reduction = 1.1 medications, SD = 1.3) compared to the standard QMR (mean reduction = 0.5, SD = 0.9) (absolute difference of 0.5; SD 1.1; p = .02). ConclusionMedSafer has the potential to increase deprescribing in LTCHs by flagging potentially inappropriate medications. Integration in the electronic medical record might increase uptake in LTCHs. Further research should investigate the generalizability of MedSafer in a larger population and in non-academic LTCHs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».