Who is your doctor?: Physician characteristics, use of potentially inappropriate medications, and subsequent risk of adverse drug events
Bibliographic record
Abstract
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
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 | 0.001 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".