MétaCan
Menu
Retour à la cohorte
Enregistrement W7115029826

Who is your doctor?: Physician characteristics, use of potentially inappropriate medications, and subsequent risk of adverse drug events

2025· dissertation· en· W7115029826 sur OpenAlexaboutno aff

Notice bibliographique

RevueeScholarship@McGill (McGill) · 2025
Typedissertation
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePharmacovigilance and Adverse Drug Reactions
Établissements canadiensnon disponible
Organismes subventionnairesFoundation for Advancement of International Medical Education and Research
Mots-clésAdverse effectDrugMEDLINEEvent (particle physics)Risk assessment
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Les prescriptions de médicaments potentiellement inappropriées (MPI) sont étroitement liées aux effets indésirables des médicaments (EIM). Bien que certaines caractéristiques des médecins (âge, sexe) soient associées à la prescription de MPI, les mécanismes sous-jacents n'ont pas été suffisamment démêlés pour permettre de concevoir des interventions ciblées. Cette thèse cherche à comprendre: 1) les déterminants liés aux médecins dans la prescription de MPI pour identifier des cibles d'intervention potentielles, et 2) si le risque des EIM suite à l'utilisation de ces médicaments diffère en fonction des caractéristiques du médecin.Les deux premiers manuscrits examinent l'association entre les aptitudes cliniques et les compétences en communication des médecins (mesurées lors des examens de certification), l'origine culturelle et d'autres facteurs sur la prescription de deux MPI couramment utilisés. À partir d'une cohorte de médecins diplômés à l'étranger (MDE) aux États-Unis et de patients de Medicare âgés de 65 ans ou plus, les résultats étudiés étaient l'utilisation de benzodiazépines et de médicaments Z (BDZ) pour l'insomnie (le 1e manuscrit), et d'anti-inflammatoires non stéroïdiens (AINS) chez les patients souffrant d'insuffisance cardiaque congestive (ICC) (le 2e manuscrit). En utilisant la régression logistique estimée par les équations d'estimation généralisées, j'ai constaté que les femmes médecins étaient moins susceptibles de prescrire des AINS que les hommes, tandis que les médecins plus âgés étaient plus susceptibles de prescrire les deux MPI. Les associations ont persisté après ajustement des compétences au moment de la certification, ce qui suggère que l'effet de l'âge peut être dû à des lacunes dans la mise à jour des nouvelles connaissances médicales. En ce qui concerne les facteurs culturels, les médecins nés dans d'autres régions du monde étaient moins susceptibles de prescrire des BDZ que les médecins nés aux États-Unis, et les facteurs associés au région de formation pourraient avoir une plus grande influence sur la prescription d'AINS.Bien que les AINS soient généralement contre-indiqués chez les patients souffrant d'insuffisance cardiaque en raison du risque accru d'exacerbation de la maladie, leur utilisation peut être justifiée si d'autres traitements sont également inappropriés. Le 3e manucrit a examiné les facteurs liés au médicament qui peuvent permettre une utilisation plus sécuritaire des AINS et a cherché à savoir si les caractéristiques du médecin modifiaient le risque d'exacerbation. En utilisant un modèle prévalent-nouvel utilisateur, une cohorte de patients du Québec avec une ICC préexistante à qui l'on a prescrit un AINS et des témoins appariés à qui l'on a prescrit d'autres médicaments le même jour ont été rassemblés. En utilisant la régression logistique multinomiale pour prendre en compte d'autres effets indésirables, l'exposition aux AINS a été modélisée en fonction du temps pour estimer le risque d'une exacerbation de l'ICC entraînant une visite aux urgences ou une hospitalisation, en tenant compte des caractéristiques démographiques et cliniques des patients. Des termes d'interaction entre l'exposition et les caractéristiques du médecin ont ensuite été inclus pour examiner la modification potentielle de l'effet par ces caractéristiques. J'ai constaté que l'apparition d'un risque élevé est immédiate et persiste jusqu'à deux semaines après l'exposition initiale. Bien que les données disponibles ont limité la compréhension de la modification de l'effet que par les caractéristiques du médecin, j'ai constaté que le risque d'exacerbation diminuait chez les patients traités à l'AAS par un cardiologue ou un interniste, par rapport aux médecins d'autres spécialités. Les patients qui avaient déjà consulté le prescripteur étaient moins susceptibles d'avoir une exacerbation, mais le risque associé à l'exposition aux AINS était plus élevé chez ces patients que chez ceux qui n'avaient pas consulté le médecin avant. Ces résultats mettent en évidence la manière dont les stratégies de gestion des risques peuvent varier d'un médecin à l'autre et affecter les résultats liés aux médicaments.Cette thèse décrit comment les aspects culturels du médecin peuvent influencer la prescription de MPI. Elle contribue également à mieux comprendre comment l'âge et le sexe des médecins, ainsi que leurs compétences, sont associés au comportement de prescription. La découverte que les résultats de santé des patients après l'utilisation d'une MPI diffèrent selon les caractéristiques du médecin traitant représente la contribution la plus novatrice de cette thèse. Je discute des implications de ces résultats sur la conception de programmes de formation efficaces et ciblés pour les nouveaux étudiants en médecine et les cliniciens agréés afin de réduire l'utilisation des MPI et de minimiser le risque lorsque leur utilisation est justifiée. En outre, des pistes de recherche futures pour comprendre comment les médecins peuvent influencer les risques associés aux médicaments sont discutées. Dans l'ensemble, cette thèse fournit des informations précieuses aux décideurs politiques, aux cliniciens, aux professeurs en médecine, aux services de santé et aux chercheurs en pharmacoépidémiologie

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,053
Tête enseignante GPT0,358
Écart entre enseignants0,305 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueeScholarship@McGill (McGill)Même sujetPharmacovigilance and Adverse Drug ReactionsTravaux en français237 207