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 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 | 0,019 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».