Methodological Development and Assessing Prescribing Determinants Through Cumulative Drug Exposure in Hospitalized Patients: Proof-of-Concept Retrospective Study
Notice bibliographique
Résumé
Background: Preventing adverse drug reactions requires accurate monitoring of drug exposure throughout patient care. Conventional metrics, measured at admission or discharge, fail to capture the dynamic and cumulative nature of drug burden during hospitalization. Improving exposure assessment is essential to support clinical decision-making and medication safety. Clinical data warehouses (CDWs), which integrate detailed drug administration records, enable the retrospective reuse of hospital data to develop more granular and dynamic measures of in-hospital drug exposure. Objective: This exploratory proof-of-concept study aimed to introduce 2 cumulative drug exposure metrics computed from CDW: cumulative drug exposure (CDE) and cumulative drug exposure density (CDED). The study also aimed to compare these metrics with conventional metrics, primarily as a methodological development for characterizing prescribing determinants in hospitalized patients. Methods: We conducted a retrospective study using the eHOP CDW at Rennes University Hospital. Adults hospitalized for hematological malignancies were included. Four prescribing determinants were analyzed: polypharmacy (PP), hyperpolypharmacy (HPP), drug-drug interactions (DDIs), and potentially inappropriate medications (PIMs). CDE quantified the number of days each determinant was present, while CDED normalized this value to hospital length of stay. Analyses combined descriptive statistics, Spearman correlations, and factorial analysis of mixed data (FAMD). Results: Mean CDE values were 10.5 days for PP, 5.7 for HPP, 64.7 for DDIs, and 19.0 for PIMs (≥65 years). CDED values ranged from 0.3 to 3.2. Conventional metrics at admission were weakly correlated with cumulative exposure measures (eg, DDIs: rs=0.04, P=.752; PP: rs=-0.04, P=.757; HPP: rs=0.11, P=.364). Stronger, significant correlations emerged at discharge (CDE DDIs: rs=0.44, CDED: rs=0.46; both P<.001). PIMs showed strong significant correlations at both time points. FAMD highlighted that cumulative metrics contributed independently to the principal components, capturing dynamics of drug exposure not reflected by conventional indicators. Conclusions: CDE and CDED, derived from real-time CDW data, offer reproducible and scalable alternatives to conventional metrics for characterizing drug exposure in patients hospitalized for severe conditions. They provide a more accurate characterization of drug burden and hold promise for pharmacoepidemiological research and 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 | 0,216 | 0,343 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».