Physicians’ use of computerized clinical decision supports to improve medication management in the elderly – the Seniors Medication Alert and Review Technology intervention
Notice bibliographique
Résumé
Kannayiram Alagiakrishnan,1 Patricia Wilson,2 Cheryl A Sadowski,3 Darryl Rolfson,1 Mark Ballermann,4,5 Allen Ausford,6,7 Karla Vermeer,7 Kunal Mohindra,8 Jacques Romney,9 Robert S Hayward10 1Department of Medicine, Division of Geriatric Medicine, 2Department of Medicine, 3Faculty of Pharmacy and Pharmaceutical Sciences, University of Alberta, 4Chief Medical Information Office, Alberta Health Services, 5Division of Critical Care, Department of Medicine, University of Alberta, 6Department of Family Medicine, University of Alberta, 7Lynwood Family Physician, 8eClinician EMR, Alberta Health Services-Information Systems, 9Department of Medicine, Division of Endocrinology, 10Division of General Internal Medicine, University of Alberta, Edmonton, AB, Canada Background: Elderly people (aged 65 years or more) are at increased risk of polypharmacy (five or more medications), inappropriate medication use, and associated increased health care costs. The use of clinical decision support (CDS) within an electronic medical record (EMR) could improve medication safety.Methods: Participatory action research methods were applied to preproduction design and development and postproduction optimization of an EMR-embedded CDS implementation of the Beers’ Criteria for medication management and the Cockcroft–Gault formula for estimating glomerular filtration rates (GFR). The “Seniors Medication Alert and Review Technologies” (SMART) intervention was used in primary care and geriatrics specialty clinics. Passive (chart messages) and active (order-entry alerts) prompts exposed potentially inappropriate medications, decreased GFR, and the possible need for medication adjustments. Physician reactions were assessed using surveys, EMR simulations, focus groups, and semi-structured interviews. EMR audit data were used to identify eligible patient encounters, the frequency of CDS events, how alerts were managed, and when evidence links were followed.Results: Analysis of subjective data revealed that most clinicians agreed that CDS appeared at appropriate times during patient care. Although managing alerts incurred a modest time burden, most also agreed that workflow was not disrupted. Prevalent concerns related to clinician accountability and potential liability. Approximately 36% of eligible encounters triggered at least one SMART alert, with GFR alert, and most frequent medication warnings were with hypnotics and anticholinergics. Approximately 25% of alerts were overridden and ~15% elicited an evidence check.Conclusion: While most SMART alerts validated clinician choices, they were received as valuable reminders for evidence-informed care and education. Data from this study may aid other attempts to implement Beers’ Criteria in ambulatory care EMRs. Keywords: Beers’ Criteria, medication management, polypharmacy, Cockcroft–Gault formula, clinical decision support
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,020 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».