Cross‐sectional evaluation of a clinical decision support tool to identify medication‐related problems at discharge from the acute care setting
Notice bibliographique
Résumé
Abstract Background There are many reported pharmacist‐led transitions of care (TOC) programs to address medication‐related problems (MRP) at discharge from the acute care setting. Most have identified time and labor resources as significant limitations. This study aims to assess the effectiveness of a medication risk score (MRS)‐driven clinical decision support system (CDSS) in identifying actionable MRPs and improving medication safety in the acute care discharge TOC setting. Methods A cross‐sectional analysis was conducted in a cohort of 481 subjects discharged from the acute care setting. The MRS‐CDSS was utilized to identify MRPs and provide recommendations for risk reduction. The distribution of MRPs, recommendations, and their associations with MRS severity were analyzed. Additionally, the potential reduction in MRS per subject and its correlation with MRS severity were examined. Results The median MRS reduction per subject was 2 points, while high/severe‐risk patients showed a median potential reduction of 7 points. Among the identified MRPs ( n = 691), drug interaction, drug use without indication, and adverse drug reaction accounted for 89.7% of all MRPs. The top three recommendations, discontinue medication, change the time of administration, and start alternative therapy, represented 94.1% of all recommendations. Stratified analysis by MRS category revealed a significant increase in adverse drug reaction MRPs and recommendations to discontinue medications with higher MRS severity. The results were consistent with previous outpatient studies, supporting the MRS‐CDSS's ability to enhance medication safety. Conclusion This study demonstrates that the MRS‐CDSS effectively identifies actionable MRPs and has the potential to substantially reduce overall pharmacotherapy regimen risk when applied during acute care discharge TOC. The findings support implementable recommendations directed at patient safety and the allocation of health care resources to high‐risk patients for maximum benefit.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».