Barriers to Supporting Deprescribing Benzodiazepines in Older Adults: A Survey of European Non-Physician Healthcare Professionals
Notice bibliographique
Résumé
While physicians are primarily responsible for Benzodiazepine Receptor Agonist (BZRA) deprescribing, non-physician healthcare professionals (HCPs) can support deprescribing. This study explored barriers to BZRA deprescribing faced by non-physician HCPs. We surveyed 258 HCPs (63.2% nurses) across six European countries using a Theoretical Domain Framework (TDF)-based questionnaire. Logistic regression assessed associations between TDF domains and HCPs’ intention to support deprescribing and their routine support of BZRA deprescribing. Major barriers (defined as TDF items with a mean<3) were found in the Goals (competing priorities), Environmental Context and Resources (time and staff lack), and Social Influence (patient reluctance) domains. Five TDF domains were associated with a stronger intention to support deprescribing: Social/Professional Role and Identity (odds ratio [OR], 3.08; 95% confidence interval [CI], 1.77-5.46); Beliefs about Consequences (OR, 1.91; 95% CI, 1.07-3.34); Memory, Attention and Decision Processing (OR, 1.80; 95% CI, 1.16-2.82); Intention to promote alternatives (OR, 1.63; 95% CI, 1.07-2.49) and Reinforcement (OR, 1.57; 95% CI, 1.08-2.29). Knowledge was the only domain associated with routine BZRA deprescribing support (OR, 1.16; 95% CI, 1.06-1.27). Different categories of HCPs face similar major barriers, but barriers vary across HCP categories and countries. Adapted to contextual differences, targeted interventions may address barriers, enhancing BZRA deprescribing.
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 | 0,001 | 0,004 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».