Successful implementation of a quality improvement bundle to reduce opioid overprescribing following total hip and knee arthroplasty
Notice bibliographique
Résumé
BACKGROUND: Opioid overprescribing is commonplace after total hip (THA) and total knee arthroplasty (TKA). Preliminary data demonstrated that approximately 32% of the opioids prescribed at discharge from our hospital following THA and TKA remain unused. This is a concern given that unused prescribed opioids are available for diversion and may result in misuse and abuse. METHODS: Pre-intervention data were collected between 1 November 2018 and 10 December 2018. An intervention bundle was then introduced, including education of patients and providers, a standardised pain management algorithm and an autopopulated discharge prescription. The aim of this quality improvement initiative was to reduce the amount of opioid (average oral morphine equivalents (OME)) dispensed (based on the discharge prescription provided) following THA and TKA at our institution by 15% by 1 April 2019. DESIGN: Using an interrupted time series design, the outcome measure was the amount of opioid (OME) dispensed from the discharge prescription provided. Process measures included the percentage of autopopulated discharge prescriptions, the percentage of patients receiving education at discharge and the percentage of nurses and residents receiving standardised education. Balancing measures included patient satisfaction with postoperative pain management, and the percentage of patients filling the second half of the part-fill or requiring a subsequent opioid prescription. RESULTS: With 600 patients identified, mean OME dispensed at discharge was reduced by 26.3% (from 522.2 to 384.9 mg) after our interventions started. Utilisation of autopopulated part-fill prescriptions was 95.8%. There was no change in patient satisfaction nor in the proportion of patients requiring an additional opioid prescription post-intervention. Only 39% of patients filled the second half of the part-fill prescription post-intervention. CONCLUSIONS: Mean OME dispensed at discharge per patient was reduced with no change in patient satisfaction after introduction of the intervention bundle.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».