A comprehensive systematic review of the types of medication classes targeted by deprescribing tools and the tools/interventions applied to each class
Notice bibliographique
Résumé
INTRODUCTION: Polypharmacy and potentially inappropriate medications (PIMs) contribute to adverse outcomes. Deprescribing, the supervised withdrawal of PIMs, is a key strategy to reduce these risks. Identifying the most targeted PIMs and commonly used tools for deprescribing remains essential. The aim of this systematic review was to identify the medication classes targeted by deprescribing tools, stratified by tool type and frequency and to evaluate the availability of medication-specific tools. METHODS: A systematic search of Embase, PubMed, Scopus, and Medline (2010-2023) identified observational and experimental studies using polypharmacy and deprescribing terms. The Newcastle-Ottawa Scale (NOS) and the revised Cochrane risk-of-bias tool (RoB 2) were used for quality assessment. Medication classes and tools/interventions were summarized in the TOTALLY TARGETED List. RESULTS: Eighty-two studies identified 44 deprescribing tools targeting 77 medication classes. The top PIMs were benzodiazepines, antipsychotics, alpha-receptor blockers, proton pump inhibitors, and Z-hypnotics. The most used tools were Screening Tool of Older People's Prescriptions (STOPP) Frail, American Geriatric Society (AGS) Beers Criteria, STOPP Criteria, and STOPPFall. Several medication-specific tools (e.g. PIMs in cognitively impaired patients) were also identified. CONCLUSION: This review identified the most targeted medication classes and deprescribing tools, emphasizing the need for medication-specific and patient-centered approaches to improve safety and outcomes. PROTOCOL REGISTRATION: https://www.crd.york.ac.uk/prospero//CRD42023442654.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».