The economic impact of the pharmacist in heart failure ambulatory care clinics: A scoping review
Notice bibliographique
Résumé
Abstract Introduction Heart failure (HF) is a chronic condition and a leading cause of hospitalization with high rates of mortality. HF is associated with high costs related to hospitalization, medical procedures, treatments, and medications, and is projected to reach $69.8 billion by 2030 in the United States. As pharmacists are being integrated into HF clinics, studies have shown that clinical pharmacy interventions reduce the number of hospitalizations and deaths. While clinical benefits are clear, the economic impact of different pharmacist interventions remains to be proven. Methods We aimed to conduct a scoping review to narratively synthesize the literature describing the costs of clinical pharmacy interventions in ambulatory HF clinics. MEDLINE, Embase, and CINAHL were searched from database inception to May 2024. We searched for articles containing all four key concepts: ambulatory clinic, pharmacist, heart failure, and cost. Results From 189 records identified, we included 10 studies published in English. The presence of a pharmacist in HF clinics or programs showed an overall trend of reduction in costs related to hospitalization and overall health care costs. Additionally, the overview of the literature and methodology of other studies allowed us to identify the variables necessary to establish an economic model. These include the number of patients seen by the pharmacist, type and number of interventions performed, number and costs of hospitalizations, number and costs of health care appointments or visits in and out of the HF clinic, costs of drugs taken per patient, pharmacists' salary, full‐time equivalent of pharmacists, and uptake of guideline‐directed medical therapy (GDMT). Conclusion Based on this scoping review, clinical pharmacy intervention has demonstrated cost reduction, but has not yet been formally evaluated using a cost‐effectiveness or utility design. This review provides the framework required for a future economic study.
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 | 0,010 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,016 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».