“Kind of blurry”: Deciphering clues to prevent, investigate and manage prescribing cascades
Notice bibliographique
Résumé
BACKGROUND: Prescribing cascades, where a medication is used to treat the side effect of another medication, contribute to polypharmacy and related morbidity. Little is known about clinicians' and patients' experiences with prescribing cascades. In this study, we explored why and how prescribing cascades occur across a variety of care settings and how they are managed. METHODS AND FINDINGS: This descriptive qualitative study employed semi-structured interviews with older adults who may have experienced a prescribing cascade(s), their caregivers, and healthcare providers. Interviewees were recruited through physician referral from a Geriatric Day Hospital, two long-term care homes in Ottawa, Ontario, and through self-referral across Ontario, Canada. An inductive approach was used to code data and determine themes. Thirty-one interviews were conducted for ten unique patient cases. Some interviewees were involved in more than one case, resulting in 22 unique interviewees. Three themes were identified. First, recognition of prescribing cascades is linked to awareness of medication side effects. Second, investigation and management of prescribing cascades is simultaneous and iterative (rather than linear and sequential). Third, prevention of prescribing cascades requires intentional strategies to help people anticipate and recognize medication side effects. Difficulty with recruitment from both long-term care homes and through self-referral was the central limitation. This exemplifies challenges associated with studying a poorly recognized and underexplored phenomenon. CONCLUSIONS: In order to better recognize, investigate and manage prescribing cascades, clinicians and patients need to know more about medication side effects; they need to ask 'can this be caused by a drug?' when signs and symptoms arise or worsen; and they need access to information about medication experiences to have benefit-risk discussions and make decisions about deprescribing. Approaches for raising public awareness of prescribing cascades should be trialed to raise the profile of this issue and facilitate continued exploration of the phenomenon.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».