Lessons learned from Canadian family physicians deprescribing medications in older adults – a five-year retrospective review of medico-legal cases
Notice bibliographique
Résumé
BACKGROUND: Medication-related safety incidents are more common in older adults than in younger populations. Medication review and optimization, including deprescribing, are essential components of strategies to reduce medication-related harm. Deprescribing aims to minimize therapeutic burden by reducing medications that no longer provide net clinical benefit or by substituting safer alternatives. Herein we sought to use a national pan-Canadian repository of medico-legal cases to identify opportunities for improving deprescribing practices in primary care for older adults. METHODS: We conducted a five-year retrospective review (2018–2022) of closed Canadian medico-legal cases relating to deprescribing involving family medicine physicians and patients age 65 or older. We analysed cases related to deprescribing and created composite case examples to illustrate both areas for improvement and examples of appropriate care despite the receipt of a complaint or civil legal action (collectively, medico-legal cases). RESULTS: We identified 31 medico-legal cases, of which 29 had undergone expert review. Experts identified areas of improvement related to deprescribing including conducting assessments to determine appropriateness of deprescribing, using a multidisciplinary approach to create a safe tapering plan that includes monitoring and follow-up, establishing clear communication with patients and their authorized substitute decision-makers, and documenting clearly and appropriately. Although experts often explicitly identified these elements as present, they were critical of the deprescribing-related care in half of cases. CONCLUSIONS: Medico-legal cases highlight several key areas for improving deprescribing in primary care, particularly around comprehensive patient assessment to inform deprescribing decision-making and clear communication of treatment plans with relevant decision-makers. The cases also demonstrate that the process of deprescribing and the patient-physician relationship is complex and that complaints can occur even when physicians are safely 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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».