Factors influencing the effects of policies and interventions to promote the appropriate use of medicines in high-income countries: A rapid realist review
Notice bibliographique
Résumé
BACKGROUND: The appropriate use of medicines has long been recognized as a fundamental component of medicine policies. We aimed to extract lessons from published research on how policy contexts and mechanisms can affect the outcomes of national- or health-system level interventions to promote appropriate medicine use (defined as an increase in underutilized medications or decrease in inappropriate medication use). METHODS: We conducted a rapid realist review of published evidence concerning system-level policies to promote the appropriate use of medicines in high-income countries with universal prescription drug coverage. We searched MEDLINE and Embase to identify relevant publications. We used a realist evaluation framework to identify contexts, mechanisms, and outcomes for each intervention and to hypothesize which policy contexts and mechanisms supported successful outcomes in terms of relative changes in the prevalence of use of the specific medication classes targeted. RESULTS: From 1,318 identified studies, 18 met our inclusion criteria. 13 distinct policies were identified. Three main policy-related factors underpinned successful interventions: involving providers and patients through program interventions; central coordination through national agencies dedicated to medicine policies; and the establishment of an explicit and integrated national medicine policy strategy. CONCLUSION: Policymakers can improve coordination of national pharmaceutical policies to reduce harms from inappropriate medicines use, thus improving health outcomes through cost-effective programs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».