Development of pharmacy-based best practices to support safer use and management of prescription opioids based on an e-Delphi methodology
Notice bibliographique
Résumé
BACKGROUND: Opioid utilization and related harm have increased in recent decades, notably in Australia, the United States, Canada, and some European countries. For people who are prescribed opioids, pharmacies offer an accessible, regular point-of-contact, providing a unique opportunity to address opioid prescription drugs risks. OBJECTIVE: This project aimed to develop consensus-based, best practice statements for improving the safer use of prescription opioids through community pharmacy settings. METHODS: The e-Delphi technique is used to obtain consensus from experts about issues where conclusive evidence is lacking, using multiple rounds of online participation. The investigator group identified an international group of potential participants with relevant expertise who were invited to the study, and asked to identify other experts for invitation. The e-Delphi process comprised three online rounds, involving (1) statement idea generation, (2) developing statement consensus, and (3) confirming and ranking statements. RESULTS: A diverse group of 42 experts (76 % female, 6 countries) participated, comprising pharmacists (n = 24, 57 %), medical doctors of differing specialties (n = 12, 29 %), and/or researchers (n = 28, 67 %), with a mean of 15 years' professional experience (SD = 8.08). Eighty-five statements were initially developed in Round 1, and 78 were supported with amendments, with suggestions to merge and remove items in Round 2, resulting in 72 final statements which were all endorsed in Round 3. Items spanned seven themes: education, monitoring outcomes and risk, deprescribing and pain management, overdose education and naloxone, opioid agonist treatment, staff education, and overarching practices. Preferred terminology was determined in Round 2 and confirmed in Round 3. CONCLUSIONS: Community pharmacies offer a unique opportunity to support the safer use of prescription opioids. These 72 best practice statements provide practical guidance on specific practices that pharmacists can undertake to support patients' safer use of prescription opioids and prevent or reduce harms from prescribed opioid use.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».