Bibliographic record
Abstract
Contexte : La polypharmacie (prise de cinq médicaments ou plus) touche près des deux tiers des personnes âgées au Canada. Elle est associée à des effets indésirables médicamenteux (EIM) tels que les chutes, les fractures, les hospitalisations et les décès. Le déprescription, soit le processus cliniquement de réduire ou d’arrêter des médicaments jugés nocifs, superflus ou non bénéfiques, peut atténuer les effets négatifs de la polypharmacie. Toutefois, certains cliniciens hésitent encore à déprescrire par crainte de provoquer des effets indésirables liés à l’arrêt d’un médicament (EIAM), définis comme la réapparition de symptômes ou des effets rebonds après l’arrêt d’un traitement. Le développement de techniques permettant de quantifier et de réduire ces EIAM représente une avancée importante. Il est également essentiel de mettre à l’échelle les interventions pour rejoindre le plus grand nombre de patients possible. Notre équipe de recherche a récemment adapté MedSécure, un outil électronique d’aide à la décision en matière de déprescription destiné aux professionnels de la santé, afin de permettre aux patients et aux aidants d’initier eux-mêmes le processus de déprescription. Cependant, l’adoption de MedSécure par les patients et les aidants dépend de son acceptabilité et de sa convivialité auprès des utilisateurs finaux.Objectifs : L’objectif général de mon mémoire était de me familiariser avec la polypharmacie et d’identifier les obstacles à la déprescription en contexte clinique. L’objectif principal était de réaliser une revue de la littérature afin d’identifier et comparer les critères de rapport des EIAM dans les essais contrôlés randomisés évaluant des interventions de déprescription, et de comparer les taux d’EIAM rapportés entre les études. L’objectif secondaire était de mener une étude de faisabilité sur la version grand public de MedSafer, en évaluant son acceptabilité et sa convivialité auprès des patients, des aidants et des professionnels de la santé. Cette étape était nécessaire pour déterminer si l’outil pouvait être facilement utilisé par les utilisateurs finaux et favoriser la prise de décision partagée entre patients, aidants et professionnels de la santé.Méthodes et résultats :Objectif 1 – Critères de rapport des effets indésirables liés à l’arrêt d’un médicament : J’ai réalisé une revue systématique de la littérature incluant les essais contrôlés randomisés testant une intervention de déprescription chez des adultes âgés (âge moyen ou médian ≥ 65 ans). J’ai analysé un sous-échantillon d’études rapportant les EIAM comme résultat. La recherche a été effectuée dans Ovid Medline, Embase et le registre Cochrane des essais contrôlés, et j’ai identifié 139 études éligibles, dont seulement 12 rapportaient des EIAM. À partir de ces études, j’ai identifié six critères de rapport différents pour les EIAM, avec un nombre d’EIAM variant de 0 à 1,25 EIAM par patient inclus.Objectif 2 – Étude de faisabilité de MedSafer : J’ai recruté 72 patients, 28 aidants et 25 professionnels de la santé. Les participants ont été invités à tester MedSafer, puis à remplir les questionnaires du modèle élargi d’acceptation de la technologie (TAM2) et du score de convivialité du système (SUS). Un sous-échantillon de participants (5 patients, 5 aidants et 5 professionnels de la santé) a été invité à participer à des entrevues semi-dirigées. Selon les résultats des enquêtes et des entrevues, les professionnels de la santé avaient une opinion plus favorable de MedSafer que les patients et les aidants.Discussion : Le premier objectif de mon mémoire consistait à analyser de manière critique la littérature. J’ai identifié une diversité de critères de rapport des EIAM et mis en évidence l’absence fréquente de données sur les EIAM dans les essais de déprescription. Ces résultats soulignent le besoin d’une approche harmonisée pour la documentation des EIAM à l’aide de critères spécifiques, afin d’assurer des résultats plus cohérents dans les essais de déprescription et de faciliter les méta-analyses futures. Le deuxième objectif portait sur l’évaluation des facteurs influençant la convivialité et l’acceptabilité d’un outil de déprescription dirigé par le patient. Mes résultats indiquent que les patients et les aidants rencontrent plus de difficultés d’utilisation que les professionnels de la santé, soulignant l’importance de les inclure dans le processus de conception. Ensemble, les résultats des deux volets de mon mémoire soutiennent le développement, l’évaluation et la mise en œuvre futurs d’outils permettant de surmonter les obstacles majeurs à la déprescription
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 | 0.406 | 0.594 |
| Meta-epidemiology (narrow) | 0.003 | 0.003 |
| Meta-epidemiology (broad) | 0.009 | 0.006 |
| Bibliometrics | 0.013 | 0.010 |
| Science and technology studies | 0.004 | 0.013 |
| Scholarly communication | 0.031 | 0.037 |
| Open science | 0.014 | 0.024 |
| Research integrity | 0.025 | 0.032 |
| Insufficient payload (model declined to judge) | 0.022 | 0.004 |
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".