Strategies to guide the successful implementation of deprescribing in community practice: Lessons learned from the front line
Notice bibliographique
Résumé
Background: Sustainable implementation of new professional services into clinical practice can be difficult. In 2019, a population-wide initiative called SaferMedsNL was implemented across the province of Newfoundland and Labrador (NL), to promote appropriate medication use. Two evidence-based interventions were adapted to the context of NL to promote deprescribing of proton pump inhibitors and sedatives. The objective of this study was to identify and prioritize which actions supported the implementation of deprescribing in community practice for pharmacists, physicians and nurse practitioners across the province. Methods: Community pharmacists, physicians and nurse practitioners were invited to participate in virtual focus groups. Nominal Group Technique was used to elicit responses to the question: “What actions support the implementation of deprescribing into the daily workflow of your practice?” Participants prioritized actions within each group while thematic analysis permitted comparison across groups. Results: Five focus groups were held in fall 2020 involving pharmacists ( n = 11), physicians ( n = 7) and nurse practitioners ( n = 4). Participants worked in rural ( n = 10) and urban ( n = 12) settings. The different groups agreed on what the top 5 actions were, with the top 5 receiving 68% of the scores: (1) providing patient education, (2) allocating time and resources, (3) building interprofessional collaboration and communication, (4) fostering patient relationships and (5) aligning with public awareness strategies. Conclusion: Pharmacists, physicians and nurse practitioners identified similar actions that supported implementing evidence-based deprescribing into routine clinical practice. Sharing these strategies may help others embed deprescribing into daily practice and assist the uptake of medication appropriateness initiatives by front-line providers. Can Pharm J (Ott) 2024;157:xx-xx.
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 | 0,027 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».