Shedding light on pharmacists’ knowledge of kidney stones’ etiology and treatment
Notice bibliographique
Résumé
Background: The recurring nature of kidney stones (KS) makes it difficult to control and treat. Patients' education plays a part in reducing disease recurrence. Pharmacists participate in the healthcare services through educating patients with kidney stones about KS preventive measures and medications that greatly reduce the disease frequency and the treatment cost. Insufficient pharmacists' knowledge may affect the services' quality and result in misuse of KS medications. Objectives: To evaluate the pharmacists' level of knowledge to provide adequate information about KS preventive measures, medications, and treatments for patients with kidney stones in Jordan. Methods: An online descriptive survey was distributed to pharmacists to assess their knowledge about KS causes, prevention, and treatment. The results were analyzed using the SPSS software. Results: There were 393 pharmacists participated in this study. Pharmacists demonstrated an overall intermediate level of knowledge about KS. They showed an excellent level of knowledge regarding KS types and etiology, an intermediate level of knowledge about KS preventive measures and treatment, and poor knowledge about home remedies and drugs that promote KS formation. Conclusion: Pharmacists knowledge about KS management through diet and medications need to be improved. This could be through focusing on pharmacists' training for the effective implementation of knowledge in the clinical practice. Adopting guidelines by pharmacists may reduce the risk of KS recurrence and provide pharmacist-led patient education about KS management in hospitals and community pharmacies.
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) | 0,001 | 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 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 ».