Validation of Four Clinical Indicators of Preventable Drug-
Notice bibliographique
Résumé
Drug-related morbidity (DRM) results when drug thera-py does not produce the intended therapeutic outcome, either due to treatment failure or the production of a new medical problem.1 Use of drug therapy may be expected to result in some morbidity; in fact, at least half of the DRM that occurs may be preventable (PDRM).2-5 As described by Hepler and Strand,1 DRM may be classified as pre-ventable only if it was preceded by a recognizable drug-re-lated problem for which the causes and adverse outcome or treatment failure must have been foreseeable, identifi-able, and controllable. The costs and consequences resulting from PDRM can be significant. PDRM is reported to account for 3–9 % of hospital admissions, and>50 % of drug-related hospital ad-missions may be considered preventable.6 A recent Cana-dian study estimated that the annual cost of PDRM in old-er adults is $10.9 billion (CND).7 Clinical indicators are tools that have been widely used to assess quality issues related to the use of medicines. Several authors have reported on the development and use of indicators of PDRM in different jurisdictions. MacKin-non and Hepler8 described the development of clinical in-dicators of PDRM in the US that were adapted for use in the UK9 and further evaluated in another US managed care organization database.10 Recently, in Nova Scotia, Canada, further development and validation of the original 52 US PDRM indicators was undertaken.11 These indicators were operationalized retro-spectively, using administrative claims data to determine
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) | 0,002 | 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 ».