Impact of pharmacist-led interventions on medication-related problems among patients treated for cancer: A systematic review and meta-analysis of randomized control trials
Notice bibliographique
Résumé
BACKGROUND: Medication-related problems (MRPs) continue to impose a voluminous health impact, particularly among patients on anti-cancer therapy, due to the nature and complexity of the care. Pharmacists have a pivotal role in ensuring the safe, effective, and rational use of medicines in this group of patients. OBJECTIVES: To examine the impact of pharmacist-led interventions in resolving MRPs among patients treated for cancer. METHODS: This systematic review and meta-analysis was conducted and reported following the PRISMA protocol and registered in PROSPERO (Registration number: CRD42022311535). Four database searches, PubMed, EMBASE, Cochrane, and International Pharmaceuticals Abstracts, were systematically searched from August 2022 to January 2023. Only randomized control trials (RCTs) were included. The Cochrane risk of bias assessment tool was used to check the quality of the included studies. The outcome measures were overall MRPs, adherence, medication errors, and adverse drug events (ADEs). Data for meta-analysis were analyzed used using STATA version 17 and standardized mean difference effect sizes were calculated for continuous outcomes and odds ratio for categorical outcomes. RESULTS: Out of the 90 studies screened for eligibility, 20 RCT studies were included for the systematic review and 15 for the meta-analysis. Close to two-thirds of the studies were from Europe (n = 7) and Asia (n = 6). A combination of educational and behavioral intervention strategies were used for a period ranged from 8 days to 12 months. The pharmacist-led intervention improved adherence to treatment by 4.79 times (AOR = 4.79; 95%CI = 2.64, 8.68; p-value<0.0001), reduced the occurrence of ADEs by 1.28 (SMD = -1.28; 95%CI = -0.04-2.52; p-value = 0.04) and decreased the overall MRPs by 0.53 (SMD = -0.53; 95%CI = -0.79, -0.28; p-value<0.0001) compared to control groups. CONCLUSION: This study found out that pharmacist-led interventions can significantly lower MRPs among patients treated for cancer. Hence, a global concerted effort has to be made to integrate pharmacists in a multidisciplinary direct cancer care.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,005 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».