Impact of pharmacist-led interventions on pregnancy-related health outcomes: a systematic review
Notice bibliographique
Résumé
Pharmacist-led interventions are crucial for improving healthcare outcomes, particularly for pregnant women who face unique medication-related risks. Effective medication management during pregnancy directly impacts maternal and neonatal health, reducing medication errors and adverse drug reactions due to physiological changes and the need to avoid teratogenic substances. This review aimed to systematically evaluate the impact of pharmacist-led interventions on medication adherence, clinical outcomes, and maternal or neonatal health among pregnant women. Following PRISMA guidelines, a comprehensive search of PubMed, Embase, and Scopus was conducted to identify studies from 2013 to 2023 on pharmacist-led interventions in pregnant women. Randomized controlled trials, quasi-experimental studies, and observational studies were included. Data were extracted using a standardized form, and study quality was assessed with Cochrane ROB 2, ROBINS-I, and modified Newcastle-Ottawa Scale. Seven studies from Canada, Australia, Indonesia, Norway, Nigeria, and China were included. Pharmacist interventions, such as medication therapy management, patient education, and the identification of drug interactions, significantly improved medication adherence, clinical outcomes, and patient satisfaction. These interventions were particularly effective in managing hypertensive disorders, asthma, and gestational diabetes mellitus, leading to better health outcomes and fewer adverse events. Pharmacist-led interventions significantly improve health outcomes for pregnant women by enhancing medication adherence and clinical care. Further research is needed to confirm these benefits, standardize outcomes, and explore additional areas of impact to optimize maternal and neonatal health.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».