Eco-Responsible Awareness Raising interventions To reduce the Use of Long-Acting MDIs and Carbon Footprint in a University Hospital Center (EARTH)
Notice bibliographique
Résumé
BACKGROUND: There are very limited data studying strategies designed to enhance environmentally conscious MDI prescribing habits. This study aimed to evaluate the impact of a multicomponent strategy promoting more environmentally responsible inhaler prescribing practices on the use of long-acting MDIs. OBJECTIVES: What is the impact of a multicomponent eco-responsible inhaled medication prescribing awareness program on the prescription rate of long-acting MDIs in hospitalized patients? METHODS: This interrupted time series was conducted by retrospectively collecting long-acting inhaler metrics from digitalized records before and after awareness raising interventions. The primary outcome was to assess the impact of the multicomponent awareness campaign on the proportion of long-acting MDIs relative to the total number of long-acting inhalers prescribed on all in-patient hospital wards. The secondary endpoint was to evaluate the difference in proportion of long-acting MDI prescriptions between hospital admission and discharge in selected wards. RESULTS: = 0.319). There was no significant difference in the level or slope between admission and discharge for the secondary outcome. CONCLUSION AND RELEVANCE: A 20.1% reduction in the prescription rate of MDIs could be observed following awareness interventions focused on eco-responsible inhaler prescribing in a hospital setting. This is explained mainly by an initial decrease in the number of prescriptions postintervention and that change remained stable over time.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».