A systematic review of medication safety outcomes related to drug interaction software.
Notice bibliographique
Résumé
BACKGROUND: Adverse drug events (ADEs) represent an important problem for hospital and primary care. Software that detects potential adverse drug interactions has been widely implemented in an effort to reduce the rate of ADEs. However, the impact of drug interaction detection software (DIS) on patient safety outcomes remains unknown. OBJECTIVES: To systematically review the literature on DIS in preventing adverse drug events and determine the effectiveness and cost-effectiveness of DIS. METHODS: A literature search of MEDLINE, EMBASE, CINAHL, IPA and Healthstar, using terms "Computer, Software or Decision Support" combined with "Drug Interactions, Drug Errors or Drug Monitoring" sought English language, post-1990 prospective studies that examined drug interaction (drug-drug) software as an intervention and adverse drug interactions as an outcome. Relevant studies were analyzed using a Bayesian meta-analysis approach. RESULTS: Of 5848 citations, only four studies met our inclusion criteria. Most of the excluded studies were not prospective or measured only prescriber attitudes, implementation success or changes in workflow. No study examined the impact of drug interaction software exclusively, rather as a component of decision support software. A Bayesian meta-analysis of these studies showed no significant difference in event rate between intervention and control groups (relative risk 0.66, 95% CI 0.33 to 1.18). The posterior median I-squared was 52%. CONCLUSION: No good quality studies address the specific benefits and harms or cost-effectiveness of drug interaction software on medication safety or clinical outcomes. The evidence at present does not support a benefit for these systems or support any policy to widely disseminate their use.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 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 | 0,001 |
| 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 ».