Categorization of deprescribing communication tools: A scoping review
Notice bibliographique
Résumé
BACKGROUND: Deprescribing can be beneficial to a wide variety of patients but is often not done due to barriers including lack of time and challenges starting conversations. OBJECTIVES: This study aimed to identify and broadly categorize existing deprescribing communication tools for clinicians and patients. METHODS: Our scoping review protocol was based on the Arksey and O'Malley methods and incorporated the Levac and Joanna Briggs Institute recommendations. EMBASE, CINAHL, PsycINFO, MEDLINE, and grey literature were searched, with two independent reviewers assessing eligibility. A backwards search of the texts chosen for full text screen was completed. Two reviewers independently completed data extraction using a pre-specified data collection form. FINDINGS: Databases identified 1121 results, searching of grey literature identified 49 results, and backwards searching identified 1323 results. After screening, 32 resources were included which contained 40 unique tools. Most tools were Canadian and targeted adults over 65 years old living in the community. Most tools had not been tested in the intended patient audience or evaluated for effectiveness. DISCUSSION: Deprescribing tools have been developed to facilitate conversations by providing structure, education, and decision-making approaches. More research is needed to test the effectiveness of existing tools.
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 | 0,051 | 0,162 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,051 | 0,040 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».