Impact d’un nouveau modèle de soins pharmaceutiques sur la polymédication et les médicaments potentiellement inappropriés en soins de longue durée : évaluation du modèle québécois PEPS
Bibliographic record
Abstract
La polymédication et les médicaments potentiellement inappropriés (MPI) sont fréquents et sont associés à l’augmentation du risque d’interactions médicamenteuses et d’effets indésirables chez les personnes âgées en centres d’hébergement et de soins de longue durée (CHSLD). Jusqu’à maintenant, aucune intervention ou modèle de soins universel n’a été retenu pour l’optimisation des soins pharmaceutiques chez cette clientèle. Le Projet d’Évaluation de la Personnalisation des Soins pharmaceutiques en soins de longue durée (PEPS) est un modèle de soins pharmaceutiques qui augmente l’autonomie professionnelle du pharmacien et de l’infirmière et combine une réorganisation stratégique des soins, un programme de formation pour le personnel soignant et une révision des médicaments par le pharmacien en collaboration interdisciplinaire. L’objectif de cette étude quasi expérimentale pragmatique était d’évaluer l’impact du modèle PEPS sur 1) la polymédication (le nombre moyen de médicaments et la proportion de résidents recevant 10 médicaments ou plus) et 2) l’usage de MPI (le nombre moyen de MPI et la proportion de résidents recevant au moins un MPI, selon les critères de Beers 2015) au cours de la première année d’implantation entre mars 2017 et juin 2018. Tous les individus âgés de 65 ans ou plus de deux CHSLD exposés au modèle (409 résidents) et deux CHSLD témoins (282 résidents) au Québec, Canada, ont été inclus. En 12 mois, ce modèle a significativement réduit le nombre moyen de médicaments, passant de 10,6 à 8,9 (groupe exposé) et de 13,0 à 12,5 (groupe témoin); la probabilité de recevoir ³10 médicaments, passant de 57 % à 41 % (groupe exposé) et de 76 % à 73 % (groupe témoin); et le nombre moyen de MPI, passant de 1,3 à 1,1 (groupe exposé) et de 1,6 à 1,5 (groupe témoin). Ce modèle est facilement transférable à d’autres CHSLD et se démarque comme une voie prometteuse pour une meilleure prise en charge de la pharmacothérapie chez les personnes âgées en CHSLD.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".