Pharmaceutical Automated Reporting: An opioid stewardship tool
Notice bibliographique
Résumé
OBJECTIVE: To develop and implement a customized clinical decision support system (CDSS) in an under-resourced health region aimed at promoting appropriate and safe opioid prescribing. DESIGN: The Pharmaceutical Automated Reporting (PAR) tool integrates inpatient prescription data from BDM Pharmacy (version 10) and categorizes patient information using predefined logic. It operates with Python (version 3.10) and Microsoft Excel®, functioning as decision trees. Nine risk factors (absence of naloxone prescription with an opioid prescription, naloxone administration, high-frequency opioid dosing, multiple opioids prescribed, concurrent benzodiazepine and opioid coprescribed, over 7 days of intravenous route opioid use, morphine equivalent dose received over or equal to 90, possible opioid agonist therapy, possible alcohol withdrawal therapy) are assessed through a decision matrix to classify patients for opioid-related risk. RESULTS: Over 7 months, the PAR tool detected one opioid-related risk factor in 98.9 percent (n = 10,450) of patients prescribed an opioid and multiple risk factors in 62.4 percent (n = 6,590). The tool identified areas where data-driven interventions by the Opioid Stewardship Program could promote appropriate prescribing practices and will be used to track and promote stewardship interventions, inform policy change, and evaluate the impact on quality indicators. CONCLUSION: Small, resource-scarce health systems can use open-source programming methodologies to create an internal CDSS to assist in addressing opioid-related risk factors within their healthcare facilities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».