Reducing potentially inappropriate polypharmacy at a national and international level: the impact of deprescribing networks
Notice bibliographique
Résumé
INTRODUCTION: Over the past decade, polypharmacy has increased dramatically. Measurable harms include falls, fractures, cognitive impairment, and death. The associated costs are massive and contribute substantially to low-value health care. Deprescribing is a promising solution, but there are barriers. Establishing a network to address polypharmacy can help overcome barriers by connecting individuals with an interest and expertise in deprescribing and can act as an important source of motivation and resources. AREAS COVERED: Over the past decade, several deprescribing networks were launched to help tackle polypharmacy, with evidence of individual and collective impact. A network approach has several advantages; it can spark interest, ideas and enthusiasm through information sharing, meetings and conversations with the public, providers, and other key stakeholders. In this special report, the details of how four deprescribing networks were established across the globe are detailed. EXPERT OPINION: Networks create links between people who lead existing and/or budding deprescribing practices and policy initiatives, can influence people with a shared passion for deprescribing, and facilitate sharing of intellectual capital and tools to take initiatives further and strengthen impact.This report should inspire others to establish their own deprescribing networks, a critical step in accelerating a global deprescribing movement.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».