Implementing pharmacist‐led deprescribing in the haemodialysis unit: a quality use of medicine activity in the Queensland hospital setting
Notice bibliographique
Résumé
Abstract Background Polypharmacy in haemodialysis patients can not only manifest as the continued prescribing of unnecessary medications but also has the potential to increase medication‐related hospital admissions, morbidity, and mortality. A validated deprescribing algorithm has recently been developed, specifically targeted at dialysis patients. This paper audits the experience of implementing this algorithm in Australian dialysis settings. Aim The aim of this paper was to evaluate the usefulness and applicability of the pharmacist‐led Toronto deprescribing tool in Australian haemodialysis settings. Method The pharmacist‐led deprescribing algorithm was implemented across two metropolitan sites and one rural site. The audit focused on five medications that could potentially be deprescribed in the target patient group (diuretics, alpha blockers, statins, proton pump inhibitors [PPIs], and quinine). Between 1 and 12 months later, a reaudit was conducted, with patients followed up to confirm if medications remained deprescribed. Results Two hundred and eleven patients across three sites were reviewed. Application of the algorithm resulted in 168 medications deemed appropriate to deprescribe. Of these 168 medications, 56 (33%) were initially deprescribed, with 50 medications (30%) remaining deprescribed on reaudit. The deprescribing rates varied between the three different services, with initial deprescribing rates ranging from 18% to 61%. After follow‐up, deprescribing changes across target medications were fairly static, with only a small number of patients restarting either their diuretic or PPI. Conclusion The pharmacist‐led deprescribing algorithm resulted in substantial deprescribing across the three sites. Deprescribing rates varied between the sites due to differences in the team model that the pharmacist worked within and the method of the rollout. Further studies should draw on aspects such as finding enablers to overcome prescriber and patient concerns about deprescribing and the aspects of which team models lead to higher rates of successful deprescribing.
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 | 0,045 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».