Recommendations for outcome measurement for deprescribing intervention studies
Notice bibliographique
Résumé
Interpreting results from deprescribing interventions to generate actionable evidence is challenging owing to inconsistent and heterogeneous outcome definitions between studies. We sought to characterize deprescribing intervention outcomes and recommend approaches to measure outcomes for future studies. A scoping literature review focused on deprescribing interventions for polypharmacy and informed a series of expert panel discussions and recommendations. Twelve experts in deprescribing research, policy, and clinical practice interventions participating in the Measures Workgroup of the US Deprescribing Research Network sought to characterize deprescribing outcomes and recommend approaches to measure outcomes for future studies. The scoping review identified 125 papers reflecting 107 deprescribing studies. Common outcomes included medication discontinuation, medication appropriateness, and a broad range of clinical outcomes potentially resulting from medication reduction. Panel recommendations included clearly defining clinically meaningful medication outcomes (e.g., number of chronic medications, dose reductions), ensuring adequate sample size and follow-up time to capture clinical outcomes resulting from medication discontinuation (e.g., quality of life [QOL]), and selecting appropriate and feasible data sources. A new conceptual model illustrates how downstream clinical outcomes (e.g., reduction in falls) should be interpreted in the context of initial changes in medication measures (e.g., reduction in mean total medications). Areas needing further development include implementation outcomes specific to deprescribing interventions and measures of adverse drug withdrawal events. Generating evidence to guide deprescribing is essential to address patient, caregiver, and clinician concerns about the benefits and harms of medication discontinuation. This article provides recommendations and an initial conceptual framework for selecting and applying appropriate intervention outcomes to support deprescribing research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,513 | 0,758 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,006 |
| Méta-épidémiologie (sens large) | 0,013 | 0,038 |
| Bibliométrie | 0,030 | 0,027 |
| Études des sciences et des technologies | 0,005 | 0,007 |
| Communication savante | 0,018 | 0,023 |
| Science ouverte | 0,016 | 0,012 |
| Intégrité de la recherche | 0,024 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,033 | 0,024 |
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 source (Gemma direct ou Codex distillé), 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 ».