Prevalence of Drug–Drug Interactions in Primary Care Prescriptions in Egypt: A Cross-Sectional Retrospective Study
Notice bibliographique
Résumé
In clinical practice, drug–drug interactions (DDIs) pose significant risks to a large number of patients. Consequently, healthcare providers are required to diligently identify, monitor, and effectively handle these interactions in order to enhance patient outcomes. In Egypt, DDIs are poorly addressed, with no reports for DDIs in primary care. In our cross-sectional, retrospective, observational study, we collected a total of five thousand, eight hundred and twenty prescriptions across eight major governorates in Egypt. Prescriptions were collected over a span of 15 months between 1 June 2021 and 30 September 2022. These prescriptions were analyzed for potential DDIs using the Lexicomp® drug interactions tool. The prevalence of DDIs was found to be 18%, with 22% of the prescriptions having two or more potential DDIs. Moreover, we found 1447 DDIs of categories C (monitoring therapy recommended), D (therapy modification suggested), and X (avoid combination). The most commonly interacting drugs in our study were diclofenac, aspirin, and clopidogrel, while non-steroidal anti-inflammatory drugs (NSAIDs) were the most reported therapeutic class implicated in pharmacologic DDIs. Pharmacodynamic agonistic activity was the most common mechanism of interaction. Therefore, it is crucial to conduct screenings, detect early signs, and closely monitor drug–drug interactions (DDIs) to enhance patients’ overall health outcomes, medication responses, and safety. In this regard, the clinical pharmacist assumes a vital role in implementing these preventive measures.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».