Medication Clusters at Hospital Discharge and Risk of Adverse Drug Events at 30-days Post-Discharge: A Population-based Cohort Study of Older Adults
Notice bibliographique
Résumé
ABSTRACT Background: Certain combinations of medications can be harmful and may lead to serious drug-drug interactions. Identifying potentially problematic medication clusters could help guide prescribing decisions in hospital. Objectives: To characterize medication prescribing patterns at hospital discharge and determine which medication clusters are associated with an increased risk of adverse drug events (ADEs) in the 30-days post hospital discharge. Methods: All residents of the province of Ontario in Canada aged 66 years or older admitted to hospital between March 2016-February 2017 were included. Identification of medication prescribing clusters at hospital discharge was conducted using latent class analysis. Cluster identification was based on medications dispensed 30-days post-hospitalization. Multivariable logistic regression was used to assess the potential association between membership to a particular medication cluster and ADEs post-discharge, while also evaluating other patient characteristics. Results: 188,354 patients were included in the study cohort. Median age (IQR) was 77 (71-84) and patients had a median (IQR) of 9 (6-13) medications dispensed in the year prior to admission. The study population consisted of 6 separate clusters of dispensing patterns post discharge: Cardiovascular (14%), respiratory (26%), complex care needs (12%), cardiovascular and metabolic (15%), infection (10%) and surgical (24%). Overall, 12,680 (7%) patients had an ADE in the 30-days following discharge. After considering other patient characteristics, those in the respiratory cluster had the highest risk of ADEs (aOR: 1.12, 95% CI: 1.08-1.17) compared to all the other clusters, while those in the neurocognitive & complex care needs cluster had the lowest risk (aOR:0.82, 95% CI: 0.77-0.87). Conclusion: This study suggests that ADEs post hospital discharge are linked to identifiable clusters of medications, in addition to non-modifiable patient characteristics, such as age and certain comorbidities. This information may help clinicians and researchers better understand what patient populations and which types of interventions may benefit patients, to reduce their risk of experiencing an ADE. KEY POINTS This study suggests that ADEs post hospital discharge are linked to identifiable clusters of medications, in addition to non-modifiable patient characteristics, such as age and certain comorbidities. This information may help clinicians and researchers better understand what patient populations and which types of interventions may benefit patients, to reduce their risk of experiencing an ADE. PLAIN LANGUAGE SUMMARY Certain combinations of medications prescribed to patients when they are being discharged from hospital can increase the risk of adverse events after hospital discharge.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 ».