Grading pharmacists’ risk of complaints to a regulator: A retrospective cohort study
Notice bibliographique
Résumé
Background: Tools to grade risk of complaint to a regulatory board have been developed for physicians but not for other health practitioner groups, including pharmacists. We aimed to develop a score that classified pharmacists into low, medium and high risk categories. Methods: Registration and complaint data were sourced from Ontario College of Pharmacists for January 2009 to December 2019. We undertook recurrent event survival analysis to predict lodgement of a complaint. We identified those variables that were associated with a complaint and included these in a risk score which we called PRONE-Pharm (Predicted Risk of New Event for Pharmacists). We assessed diagnostic accuracy and used this to identify thresholds that defined low, medium and high risk. Results: We identified 3,675 complaints against 17,308 pharmacists. Being male (HR = 1.72), older age (HR range 1.43–1.54), trained internationally (HR = 1.62), ≥1 prior complaint (HR range 2.83–9.60), and complaints about mental health or substance use (HR = 1.91), compliance with conditions (HR = 1.86), fees and servicing (HR = 1.74), interpersonal behaviour or honesty (HR = 1.40), procedures (HR = 1.75) and treatment or communication or other clinical issues (HR = 1.22) were all associated with lodgement of a complaint. When converted into the PRONE-Pharm risk score, pharmacists were assigned between 0 and 98 points with higher scores closely associated with higher probability of a complaint. A score of ≥25 had sufficient accuracy for classifying medium-risk pharmacists (specificity = 87.0%) and ≥45 for high-risk pharmacists (specificity = 98.4%). Conclusion: Distinguishing isolated incidents from persistent problems poses a significant challenge for entities responsible for the regulation of pharmacists and other health practitioners. The diagnostic properties of PRONE-Pharm (minimizing the false positives) means that the risk score is useful for “ruling-out” low risk pharmacists using routinely collected regulatory data. PRONE-Pharm may be useful when used alongside interventions appropriately matched to a pharmacist’s level of risk.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».