TLC-Act: A Novel Tool for Managing Drug Interactions
Notice bibliographique
Résumé
Background: Clinical decision support systems (CDSS) are used by pharmacists to assist in managing drug–drug interactions (DDIs). However, previous research suggests that such systems may perform suboptimally in providing clinically relevant information in practice. Objectives: The primary objective of this study was to develop a novel DDI management tool to reflect the clinical thought process that a pharmacist uses when assessing a DDI. The secondary objective was to investigate practitioners’ perceptions of this tool. Methods: This study was conducted in 3 phases: development of the DDI management tool, implementation of the tool in clinical practice, and collection of practitioners’ opinions of the tool through an online qualitative survey (although because of circumstances related to the COVID-19 pandemic, the study population for the survey phase included only pharmacy residents). A comprehensive literature search and analysis by an expert panel provided underlying context for the DDI management tool. The tool was validated through simulation against a known list of DDIs before implementation into practice by hospital pharmacists and pharmacy residents. Participating pharmacy residents were invited to provide feedback on the tool. Survey results were analyzed using descriptive statistics. Results: The novel tool that was developed in this study (called TLC-Act) consisted of components important to a pharmacist when assessing a DDI, including the duration of concomitant use of the interacting medications and patient-specific risk factors. Study participants implemented the tool in clinical practice for a total of 6 weeks. Of the 28 pharmacy residents surveyed, 15 (54%) submitted a response, of whom 11 (73%) found the TLC-Act tool to be slightly more useful for assessing a DDI than usual care with the CDSS alone. Conclusions: The TLC-Act tool maps out a pharmacist’s clinical thought process when assessing a DDI in practice. This novel tool may be more useful than a CDSS alone for managing DDIs, as it takes into account other important factors pertinent to the assessment of a DDI. RÉSUMÉ Contexte : Les systèmes d’aide à la décision clinique (SADC) sont utilisés par les pharmaciens pour les aider à gérer les interactions médicamenteuses (IM). Cependant, des recherches antérieures indiquent que ces systèmes peuvent fonctionner de manière sous-optimale pour fournir des informations cliniquement pertinentes dans la pratique. Objectifs : L’objectif principal de cette étude consistait à développer un nouvel outil de gestion des IM pour reproduire le processus de réflexion clinique adopté par un pharmacien quand il les évalue. L’objectif secondaire consistait, quant à lui, à enquêter sur les perceptions des praticiens à l’égard de cet outil. Méthodes : Cette étude a été menée en 3 phases : développement de l’outil de gestion des IM; sa mise en place dans la pratique clinique; et recueil des avis des praticiens sur celui-ci au moyen d’une enquête qualitative en ligne (bien qu’en raison des circonstances liées à la pandémie de COVID-19, la population étudiée pour la phase de l’enquête ne comprenne que des résidents en pharmacie). Une recherche documentaire et une analyse approfondies effectuées par un groupe d’experts ont fourni le contexte sous-jacent de l’outil de gestion des IM. L’outil a été validé par simulation par rapport à une liste connue d’IM avant sa mise en pratique par les pharmaciens hospitaliers et les résidents en pharmacie. Les résidents en pharmacie qui participaient à l’étude ont été invités à donner leur avis sur l’outil. Les résultats de l’enquête ont été analysés à l’aide de statistiques descriptives. Résultats : Le nouvel outil développé dans le cadre de cette étude (le « TLC-Act ») se composait d’éléments d’évaluation des IM importants pour un pharmacien, y compris la durée de l’utilisation concomitante des médicaments en interaction et les facteurs de risque propres au patient. Les participants à l’étude ont mis en œuvre l’outil dans la pratique clinique pendant un total de 6 semaines. Sur les 28 résidents en pharmacie interrogés, 15 (54 %) ont soumis une réponse, et 11 (73 %) d’entre eux ont trouvé que l’outil TLC-Act était légèrement plus utile pour évaluer les IM que le SADC seul utilisé habituellement. Conclusions : L’outil TLC-Act cherche à reproduire le processus de réflexion clinique d’un pharmacien lorsqu’il évalue les IM dans la pratique. Ce nouvel outil peut être plus utile qu’un SADC utilisé seul pour gérer les IM, car il prend en compte d’autres facteurs importants qui sont pertinents pour leur évaluation.
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 | 0,008 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».