Resource utilization and cost assessment of a proactive penicillin allergy de-labeling program for low-risk inpatients
Notice bibliographique
Résumé
Abstract Background Resource utilization and costs can impede proactive assessment and de-labeling of penicillin allergy among inpatients. Methods Our pilot intervention was a proactive penicillin allergy de-labeling program for new inpatients with penicillin allergy. Patients deemed appropriate for a challenge with a low-risk penicillin allergy history were administered 250 mg amoxicillin and monitored for 1 h. We performed an explorative economic evaluation using various healthcare professional wages. Results Over two separate 2-week periods between April 2021 and March 2022, we screened 126 new inpatients with a penicillin allergy. After exclusions, 55 were appropriate for formal assessment. 19 completed the oral challenge, and 12 were directly de-labeled, resulting in a number needed to screen of 4 and a number needed to assess of 1.8 to effectively de-label one patient. The assessor’s median time in the hospital per day de-labeling was 4h08 with a range of (0h05, 6h45). A single-site annual implementation would result in 715 penicillin allergy assessments with 403 patients de-labeled assuming 20,234 annual weekday admissions and an 8.9% penicillin allergy rate. Depending on the assessor used, the annual cost of administration would be between $21,476 ($53.29 per effectively de-labeled patient) for a pharmacy technician and $61,121 ($151.67 per effectively de-labeled patient) for a Nurse Practitioner or Physician Assistant. Conclusion A proactive approach, including a direct oral challenge for low-risk in-patients with penicillin allergy, appears safe and feasible. Similar programs could be implemented at other institutions across Canada to increase access to allergy assessment.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».