Potentially Inappropriate Prescribing in Hospitalized Older Adult High-Cost Health Care Users: A Pilot Study
Notice bibliographique
Résumé
Background: High-cost health care users use disproportionate amounts of health care resources relative to the typical patient. It is unclear to what extent poor-quality prescribing, including potentially inappropriate prescribing (PIP), may be contributing to their adverse outcomes and health utilization costs. Objectives: To evaluate the prevalence of PIP and to explore its impact in older adult high-cost health care users. Methods: The charts of older adult high-cost health care users admitted to 2 academic hospitals in Ontario, Canada, in fiscal year 2015/16 were reviewed. Eligible patients were at least 66 years old with at least 5 emergency department visits and 3 hospital admissions in the previous year. A total of 243 patients met these criteria, of whom 100 were randomly selected for review. Cases of PIP were identified using explicit prescribing quality indicators, including the STOPP/START criteria. Types of PIP included potentially inappropriate medications (PIMs) and potential prescribing omissions (PPOs). Log–linear regression was used to characterize the relationship between PIP and future health care utilization. Medications were reconciled to determine the proportion of PIP addressed by the time of discharge. Results: Eighty-nine of the 100 patients had at least 1 instance of PIP. In total, 276 PIMs and 54 PPOs were identified. Of the 271 instances of PIP identified on admission, only 38 (14%) were resolved by the time of hospital discharge. Each additional PPO was associated with a 1.43-fold increase in the rate of future emergency department visits (p < 0.001). Conclusions: The rate of PIP among older adult high-cost health care users was high. Despite frequent interactions with the health care system, many opportunities to improve the quality of prescribing for this vulnerable population were missed. Greater attention to medication optimization is needed. RÉSUMÉ Contexte : Les grands utilisateurs de soins de santé consomment une proportion disproportionnée des ressources par rapport aux patients moyens. On ne sait pas vraiment dans quelle mesure la prescription de mauvaise qualité, notamment la prescription potentiellement inappropriée (PPI), contribue aux effets indésirables et aux coûts d’utilisation des soins de santé. Objectifs : Évaluer la prévalence des PPI et étudier ses effets chez les grands utilisateurs des soins de santé âgés. Méthodes : Les dossiers des grands utilisateurs de soins de santé âgés admis dans 2 hôpitaux universitaires en Ontario, au Canada, pendant l’exercice 2015-2016 ont été examinés. Les patients admissibles étaient âgés d’au moins 66 ans, avaient effectué au moins 5 visites à l’urgence et avaient été admis 3 fois à l’hôpital au cours de l’année précédente. Au total, 243 patients répondaient à ces critères, dont 100 ont été sélectionnés au hasard pour un examen. Les cas de PPI ont été identifiés à l’aide d’indicateurs explicites de la qualité de prescription, notamment les critères STOPP/START. Les types de PPI comprenaient des médicaments potentiellement inappropriés (MPI) et les omissions potentielles de prescription (OPP). La régression log-linéaire a été utilisée pour caractériser la relation entre la PPI et l’utilisation future des soins de santé. Un bilan comparatif des médicaments prescrits a été effectué pour déterminer la proportion de PPI traités au moment de la sortie de l’hôpital. Résultats : Quatre-vingt-neuf (89 %) des patients présentaient au moins 1 cas de PPI. Au total, 276 MPI et 54 OPP ont été identifiées. Sur les 271 cas de PPI identifiés au moment de l’admission, seuls 38 (14 %) étaient résolus au moment de la sortie de l’hôpital. Chaque OPP supplémentaire était associée à une augmentation de 1,43 fois du taux de futures visites à l’urgence (p < 0,001). Conclusions : Le taux de PPI chez les grands utilisateurs de soins de santé âgés était élevé. Malgré des interactions fréquentes avec le système de santé, de nombreuses occasions d’amélioration de la qualité des prescriptions pour cette population vulnérable ont été manquées. Une plus grande attention doit être portée à l’optimisation des médicaments.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».