International expert panel’s potentially inappropriate prescribing cascades (PIPC) list
Notice bibliographique
Résumé
PURPOSE: Prescribing cascades contribute to potentially inappropriate prescribing, especially among older adults. With the prescribing cascade framework maturation, it is important to distinguish potentially inappropriate from potentially appropriate prescribing cascades. The objective was to create a comprehensive consensus list of Potentially Inappropriate Prescribing Cascades (PIPCs). METHODS: A prescribing cascade inventory was compiled using published lists. An international panel of 12 experts in geriatric medicine and pharmacology was selected. Panelists participated in a Delphi consensus process completing two questionnaire rounds and one discussion round. RESULTS: A total of 107 proposed prescribing cascades were identified. After Questionnaire Round 1, 56 prescribing cascades achieved a rating of agree or strongly agree by ≥ 75% of the panelists and were included in the PIPC list. For 32 of the 107 proposed cascades, 50-74% of panelists provided a rating of agree or strongly agree, and were moved to Round 2. In Questionnaire Round 2, 9 of 32 proposed cascades achieved a rating of agree or strongly agree by ≥ 75% of panelists and were included in the final PIPC list. For 14 prescribing cascades, 50-74% of panelists provided a rating of agree or strongly agree, and were included in the Discussion Round. After discussion, no additional prescribing cascades were included. CONCLUSION: An explicit list of 65 PIPCs was created using a rigorous Delphi consensus process conducted by international experts on pharmacotherapy for older adults. The PIPC list provides a crucial tool for clinicians and researchers to detect potentially inappropriate prescribing patterns and to foster efforts to improve medication safety.
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 | 0,001 |
| 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 | 0,000 | 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) | 0,002 | 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 ».