Barriers to and Enablers of Supporting Deprescribing Benzodiazepines in Older Adults: A Survey of European Nonphysician Healthcare Professionals
Notice bibliographique
Résumé
Although physicians are primarily responsible for Benzodiazepine Receptor Agonist (BZRA) deprescribing, nonphysician healthcare professionals (HCPs) can support deprescribing. This study explored barriers to and enablers of BZRA deprescribing among nonphysician HCPs. We surveyed 258 HCPs (63.2% nurses) working in hospital settings across six European countries using a questionnaire based on the Theoretical Domain Framework (TDF). Logistic regression assessed associations between TDF domains and both intentions to support and routine engagement in BZRA deprescribing. Major barriers (TDF items with mean < 3) were found in the goals (competing priorities), environmental context and resources (time and staff lack) and social influences (patient reluctance) domains. Five TDF domains were associated with a stronger intention to support deprescribing: social/professional role and identity (OR, 3.08; 95% 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. Context-specific, targeted interventions may enhance support for 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 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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».