Potentially inappropriate prescribing in long-term care residents and its association with probable delirium.
Notice bibliographique
Résumé
Objective: Medications can increase the risk of delirium due to drug toxicities, polypharmacy, and drug interactions. This study examined potentially inappropriate prescribing (PIP) of medication and its association with probable delirium among long-term care residents. Approach: We conducted a cross-sectional study of long-term care residents in Ontario, Canada between January 1, 2016 and December 31, 2019. Routinely collected long-term care resident assessment data from the Resident Assessment Instrument – Minimum Dataset (RAI-MDS) was linked to prescription claims data to ascertain probable delirium and medication use in the two weeks preceding the index assessment. PIP was measured via the STOPP/START criteria and Beers criteria, with residents classified as having 0, 1, 2, or 3+ PIPs. Associations between PIP and probable delirium was assessed via bivariate and multivariable logistic regression models. ResultsThe study population included 171,190 long-term care residents. The mean age was 84.5 years, 66.8% were female, and 62.9% had dementia. Probable delirium was documented on 3.7% of resident assessments. Over half (51.8%) of residents had 1+ PIP and 21% had 3+ PIPs according to the STOPP/START criteria. The odds of probable delirium increased as the number of PIPs increased. Probable delirium was 1.86 times more likely (95% confidence interval 1.74-1.98) in residents with 3+ PIPs compared to those with no PIPs after confounder adjustment. Similar findings were observed when PIP was evaluated using the Beers criteria. ConclusionThis population-based study highlighted that potentially inappropriate medication prescribing was highly prevalent and was significantly associated with the increased likelihood of probable delirium among long-term care residents.
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 | 0,001 | 0,004 |
| 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 | 0,001 |
| Science ouverte | 0,001 | 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 ».