指南与共识重症综合管理与镇静镇痛

最大化临床药师建议接受率以缩短约旦安曼一家私立医院的住院时间

Maximizing acceptance of clinical pharmacy recommendations to reduce length of hospital stay in a private hospital from Amman, Jordan.
指南 / 共识 · BMC Health Serv Res · 2021-09-08
一句话结论人工神经网络模型显示,将临床药师干预接受率从80%提高至100%可使指标干预后住院时间缩短约0.4天(P=0.022)。

本研究为在约旦安曼一家100张床位的三级急性照护私立医院开展的非干预性回顾性分析,纳入542例患者、574次入院和1694条临床药师干预(CPI),合并为684条(接受519条、拒绝165条)。研究构建人工神经网络模型,比较CPI接受率80%与100%两种情景下的结局。主要结局指标干预后住院时间(LOSTA)在100%接受情景下为2.6±3.4天(中位数2,范围0–28),80%接受情景为3.0±3.8天(中位数2,范围0–30),差异约0.4天,P=0.022。次要结局指标干预后ICU住院时间、再入院、死亡率和住院费用在两种情景间均无统计学显著差异。作者认为最大化CPI接受率可缩短住院时间并节省费用。

要点

  • 模型显示CPI接受率100%较80%使LOSTA缩短约0.4天:2.6±3.4天(中位数2,范围0–28)对3.0±3.8天(中位数2,范围0–30),P=0.022。
  • 次要结局均无统计学显著差异:LOSICUA为0.4±1.7对0.5±1.7天(P=0.693),再入院684例中99例(两种情景下各有8例转变),死亡率1.2%对1.9%(P=0.131),每合并CPI住院费用降低55 JD(2116±2837对2171±2864,P=0.721)。
  • 停用药物(42%对26%,P<0.001)和添加药物(29%对21%,P=0.027)与CPI被拒绝率较高相关。
  • 经验为7年或8年的临床药师更可能干预成功(95%和86%对57%);三名临床药师分别在256、475和963次CPI中成功147、452和824次(χ2 P<0.001),总体1694次CPI中成功1423次(84%)。
  • 接受被拒绝的CPI平均节省55 JD(约78美元),可帮助雇用约1.3个临床药师全职当量。

适用人群与场景

  • 连续纳入所有年龄的入住该100张床位三级急性照护私立医院并接受CPI的患者;门诊患者因无法获取结局被排除。
  • 研究场所为约旦安曼的私立医院,临床药师覆盖约50%的入院患者,其余50%为周末入院和过夜入出院患者或来自未覆盖单元(如妇产科)的患者。

诊断标准与关键阈值

  • 多重用药定义为≥8种常规药物(二分类变量,≥8记为1,否则为0),为研究小组一致同意的定义。
  • 非绿色抗生素为抗菌药物管理项目中使用的特殊交通信号分类,如美罗培南为红色、头孢吡肟为橙色、左氧氟沙星为绿色;红色抗生素最为严重、需要严格管理,绿色抗生素仅接受有限控制。

研究设计与关键结果

  • 研究类型为非干预性回顾性分析,样本为542例患者、574次入院、1694条CPI,合并为684条CPI(接受组519条、拒绝组165条);未报告中心数。
  • 主要终点LOSTA:100%接受CPI情景为2.6±3.4天(中位数2,范围0–28),80%接受情景为3.0±3.8天(中位数2,范围0–30),差异约0.4天,P=0.022。
  • 次要终点LOSICUA:100%接受情景为0.4±1.7天(中位数0,范围0–16),80%接受情景为0.5±1.7天(中位数0,范围0–16),P=0.693,无统计学显著差异。
  • 再入院:684例中99例,两种情景下各有8例转为相反的再入院类别;死亡率1.2%对1.9%,P=0.131,仅分别有6例和1例死亡状态发生转变。
  • 住院费用:每合并CPI平均降低55 JD,但无统计学意义(2116±2837对2171±2864,P=0.721)。
  • ANN模型在18秒和270个训练周期内收敛,交叉验证接近恒等曲线,LOSTA ANN R2=0.9923;仅纳入19个不匹配变量时模型在3秒和110个训练周期内收敛,LOSTA差异相同。
  • 医师拒绝率、合并CP成功评分和拒绝评分总体上解释了LOSTA约28%的变异性。
  • 与CPI被拒绝相关的因素:停用药物(42%对26%,P<0.001)或添加药物(29%对21%,P=0.027)与CPI被拒绝率较高相关;经验为7年或8年的临床药师更可能干预成功(95%和86%对57%)。

证据类型、等级与局限

  • 证据类型:非干预性回顾性分析,使用人工神经网络模型进行内部和交叉验证。
  • 作者自述局限性:本研究为该领域的初步回顾性研究;若进行前瞻性研究,可能无法发现更高授权率的CPI会缩短住院时间;理想设计为前瞻性两组对照(100%批准CPI的干预组与常规约80%批准的匹配对照组),但在实践中极其不可能做到且需要超出常规护理的新安排;不同实践环境中的进一步研究必须前瞻性地证实其发现;应谨慎对待,因为这些发现并非「一刀切」且可能因环境而异;未来研究应处理授权过程的其他维度,例如界定个别药师的可接受执业范围。

对床旁实践的改变

  • 作者认为,最大化CPI接受率可减少LOSTA并节省费用,专家判断与ANN模型结果一致支持让药师在处方中占上风。
  • 作者认为,临床医生和社会最有可能从最大化CPI授权中获益,但应谨慎对待,因为这些发现并非「一刀切」且可能因环境而异。
  • 作者认为,将某些有能力的临床药师提升为完全独立处方者身份有许多方面需要考虑;尽管当前研究表明在医院环境中临床药师总体上具备开具所有药物的良好条件,但可能涉及其他因素,需要处理所有因素,例如界定个别药师的执业范围,而不是对药学专业本身的候选资格进行一概而论。

提炼说明

  • 原文未涉及「处置流程与药物剂量」「红旗征与不能漏的情况」「指南或共识出处」,故未列出这些栏目。
全文中译18 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:BMC Health Serv Res. 2021 Sep 8;21:937. doi: 10.1186/s12913-021-06966-4

背景

临床药师干预(CPI)缩短了多种医疗环境下的住院时间 [1, 2]。此外,他们还减少了重症监护和医院资源利用 [3]。研究人员进一步显示,CPI使生存率显著改善 [4, 5]。此外,它们为支付方带来了巨大的经济效益 [6–9]。相比之下,CPI对减少再入院的影响存在矛盾,因为一些研究确实减少了再入院,而另一些则未能做到 [10–13]。在斯堪的纳维亚的一个急诊科中,对住院时长的影响似乎也可忽略不计 [14]。因此,CPI的效果可能因机构而异。

目前,CPI通常需要医师的事先授权,因此其接受率在80%左右 [15, 16]。若干因素可获得更高的接受率,包括药物类别和CPI、疾病、医师专业,以及临床药师的经验背景 [16, 17]。例如,在我们先前在一家政府军事医疗环境中的研究中,更高的接受率与超过3年的药学经验、委员会认证和药学博士学位呈正相关。重症监护、儿科和肿瘤学建议也更易被接受。此外,建议停止用药的推荐显著更可能被授权。最后,如果CPI涉及抗生素,则更可能成功 [16]。同样,Mann等人显示,在针对Medicare Advantage计划成员的管理式医疗背景下,停止用药更可能成功 [17]。此外,他们发现临床药学建议的接受率存在机构区域性差异。同一团队还发现,心力衰竭相关建议比糖尿病CPI更可能被接受 [17]。另一方面,尽管对药师处方权存在阻力,关于其对患者护理价值的证据正在不断积累 [18, 19]。因此,尽管我们理解处方是一个复杂过程,有多种因素起作用,但调和药师与医师之间在药物治疗上存在的20%分歧至关重要。在任何旨在将药学处方权范围扩大到完全独立地位的尝试中,都应开展这项工作。到目前为止,文献几乎没有,如果有的话,评估这一20%的不一致,因为涉及许多变量(从本研究中54个变量可见一斑)并且开展此类实验极其困难(要体会这种困难,可以想象当医师拒绝一项CPI时,你无论如何都想批准它!)。

人工神经网络(ANN)是一种非常强大的工具,我们用它通过分析真实的常规照护数据来解决复杂的疑问 [20]。这些模型避免了对严格干预的需要,因此,通常使复杂的盲法和患者随机化方案变得不必要 [20]。

在本研究中,我们使用人工神经网络(ANN)来评估将临床药师干预(CPI)的接受率从80%最大化提高至接近100%所带来的结局,从而判断药师是否有资格获得完全独立的处方权。具体而言,接受更多CPI是否可能改善医疗结局,如缩短住院时间和重症监护住院时间、减少再入院、提高生存率或降低成本?我们具体评估以下结局:主要结局为指标CPI后住院时间(LOSTA),作为连续变量。次要目标包括指标干预后重症监护病房(ICU)住院时间(LOSICUA)和住院费用(均为连续变量),以及再入院和死亡率(均为分类变量)。

方法

研究设计

这是一项在常规急性照护环境下进行的、为期八个月、两阶段、非干预性回顾性研究。

研究机构与场所

这是一家位于约旦安曼的拥有100张床位的三级急性照护私立医院。

临床药学团队

我们的临床药学团队由三名临床药师组成,分别具有4年、7年和8年的临床药学经验。三人均持有药学博士或临床药学硕士学位证书。经验最短的临床药师也是近期入职者。这些临床药师覆盖约50%的入院患者。其余50%为周末入院和过夜入出院患者,或来自未覆盖单元(如妇产科)的患者。临床药师每2个月在其余单元轮转,包括内科、外科、重症监护病房和儿科。这些科室涵盖了除精神科和肿瘤科以外的所有医学专科。临床药师每日进行主动查房,期间产生了大多数建议(84%)。其建议中仅16%为会诊基础上提出的。

研究评审小组

该小组由来自2所大学(1所本地、1所国际)的4名学者组成。这些教授与临床药学团队相互独立,他们以详细的SOAP格式获得了个案的全套盲法信息。基于这些记录,他们独立地对临床药师的建议表示同意或不同意。因此,基本上学者不知道哪个是医师的决定、哪个是临床药师的建议。

研究对象:纳入与排除标准

连续纳入所有年龄的入住研究机构并接受CPI的患者,门诊患者因无法获取结局而被排除。

数据收集

团队使用标准化的Microsoft Excel 2010工具(版本14.0.4374.1000)记录了每日常规建议。该工具使用我们在定义部分所解释的明确定义,为每个CPI收集所有变量。每个CPI记录的变量可在表1(已接受与已拒绝CPI之间匹配)和表2(未匹配)中找到。每位患者各不相同;有些停留一天,有些停留更长时间,CPI在患者住院期间收集。信息 technology(IT)部门按每次入院为每位患者以小时为单位提供住院时长,进行1个月随访以了解患者是否再入院。费用也是患者或其保险在住院期间实际产生的真实费用。存活、好转或死亡的状态由IT部门提供。在研究数据库中,每一行构成一个CPI。对于每位患者,每次入院有多个CPI,且患者在研究期间可能入院不止一次。因此,对于每位患者在给定入院期间,某些变量值可能仅随每个CPI重复,使我们能够在合并CPI中使用该值。其他变量随每个CPI变化。因此,我们使用随每个CPI变化变量的任意序数评分,将数据合并为每位患者每次入院最多一个已接受和一个已拒绝CPI。这些评分按定义小节中提供的细节计算。来自当地药房和库存管理数据库的药物信息经过确认。同样,来自当地实验室数据库的实验室信息也被报告。住院时长、再入院和费用从当地入院数据库收集。住院时长和ICU停留时长从IT系统按天获知每位患者的情况。再入院在出院后30天内评估和测量。患者或其保险产生的入院费用是各自在该次入院期间实际支付的费用。所有IT数据库由Microsoft Access 2000(版本9.0.6926 SP-3)构建,并由医院信息技术(IT)部门管理。患者出院时的状态,无论是存活还是死亡,由IT部门提供。

表1 684条合并推荐的匹配变量 查看原表 ↗

定义

第一阶段为2019年1月1日至3月31日,是估算所需样本量的预试验。第二阶段于2019年4月1日至8月31日进行。研究始于2019年1月1日,但每个病例的入组时间不同。对于每位患者,研究时长不同,因为我们收集了该患者在我院住院期间及出院后1个月的信息。因此,这使得我们收集患者出院后或再入院数据的最后一天为2019年9月30日。换言之,我们有1个月的随访以捕捉该患者的任何新发再入院。再次说明,表1(36个匹配变量)和表2(18个未匹配变量)汇总了纳入该模型的所有54个变量。读者可能注意到,其中一些是连续变量,如年龄(岁)、CPI总数,或首次索引CPI前的住院或重症监护住院天数(LOSBI和LOSICUBI)。然而,大多数为分类变量。例如,在表1中,读者可以看到一些CPI是在重症监护病房的危重病例中做出的,而另一些则是在非危重内科病例中做出的。大多数分类变量的列出方式为某一给定因素存在(是)或不存在(否)。例如,接受组中有55例CPI(11%)使用β受体阻滞剂,拒绝组中有20例CPI(12%)使用β受体阻滞剂。显然,β受体阻滞剂在接受组和拒绝组CPI之间是匹配的。在药物及其类型方面,我们使用了Lexicomp中现行的美国卫生系统药师协会(AHFS Drug Information)分类法(Lexi-drugs在线[互联网数据库]。Hudson (OH): Lexicomp, Inc.; 2020; 引用日期2020年8月26日]。可从以下网址获取:http://online.lexi.com。查看需订阅)。多重用药为二分类变量,≥8种常规药物记为1,否则记为0。这是研究小组一致同意的多重用药定义。既往已发表文献用于识别预测药物不良反应所致住院的药物和疾病相关变量[21]。

非绿色抗生素是我们在抗菌药物管理项目中使用的特殊交通信号分类。例如,美罗培南为红色,头孢吡肟为橙色,左氧氟沙星为绿色。红色抗生素最为严重,需要严格的管理,而绿色抗生素仅接受有限的控制。

在对所提出的所有类型建议进行快速修订后,发现安全性和有效性CPI之间存在显著差异,即那些为预防不良反应而提出的建议与那些为提高治疗效果而提出的建议之间存在显著差异。

另一个差异领域是添加或停止药物的医嘱之间的差异。其他类型的差异不存在或很小,因此这些被归入“杂项”。未报告或难以分类的CPI被归入“未确定”。

每位未整合的个体CPI都会提交给医生,而医生总体上会接受80%、拒绝20%。患者通常会被告知这些变更,在我们的环境中通常也会同意医生做出的所有最终决定。计算评分以整合所有CPI,每位患者每次入院最多整合为1个被接受和/或被拒绝的CPI。这些评分取值在0到1之间。例如,如果CPI涉及将两条或更多信息结合起来,则被认为是复杂的(取值为“1”)。如果基于一条直接信息,则为简单CPI(取值为“0”);例如,如果患者存在低血压,简单的CPI就是停用降压药。随访CPI(取值为“0.5”)将基于对一项新检查的核对,因而是对先前CPI的随访。因此,问题复杂性评分是某位患者在一次入院期间所有复杂、简单和随访CPI的总平均百分比。读者可以看到,两组在CPI复杂性方面具有可比性(被接受和被拒绝CPI组分别为1对0.9,括号中为范围)。同样,问题意图评分是某位患者在入院期间记录的差错和问题的总平均百分比。如果医生试图为其原计划辩护,则CPI是一个问题(取值为“1”)。如果医生立即同意或明确说明自己犯了错误,则它是一个差错(取值为“0”)。临床领域评分是该次入院中临床CPI(取值为1)相对于操作性CPI(取值为0)的平均百分比。临床CPI的一个例子是改变剂量。而操作性CPI的一个例子是将某一给定的稳定静脉用药药瓶重复用于多次给药。临床处方步骤评分是该次入院中针对用药流程中处方步骤所做的CPI的平均百分比。咨询评分是该次入院中临床医生主动联系临床药师(取值为“1”)相对于临床药师主动联系临床医生(取值为“0”)的平均百分比。结局驱动评分是该次入院中基于结局所做的CPI相对于基于指南所做的CPI的平均百分比。拒绝评分是该次入院中被拒绝CPI的百分比。联合临床药学(CP)成功评分是临床药师成功CPI在该次入院期间的平均百分比。医生拒绝评分是整个研究期间医生拒绝率按该次入院建议进行平均后的百分比。诊断修正评分是在入院结束时被修正或改变的所有诊断的百分比。CPI的接受或拒绝作为二分类输入变量录入。

最后,研究的结局包括LOSTA、重症监护病房住院时间(LOSICU)、LOSICUA、再入院、死亡率和入院费用。

表2 684条整合建议的未匹配变量和结局的汇总统计 查看原表 ↗

数据分析

分析人员将每位患者每次入院时被接受组或拒绝组中总计一个CPI的数据进行了合并。不同CPI的变量仅设置为定义部分所述的匹配值或计算得分。最终纳入和细化场景见图1。我们的读者可以看到,总共1694个CPI最终合并为684个CPI,分别有519个在接受组和165个在拒绝组。进行了单变量分析以比较拒绝组和接受组CPI(表1和表2)。最后,研究团队针对主要和各种结局构建、训练、测试并交叉验证了ANN。

图1 所有连续患者的纳入总结,这些患者具有记录的推荐意见,直至最终合并为每位患者每次入院一个接受和/或一个拒绝推荐意见 查看原图 ↗

统计分析

数据使用Stat Tool 6.3.0版(Palisades Corp)分析,使用Mann Whitney U检验非配对组生成连续数据的P值,卡方(χ2)检验用于分类变量,McNemar检验用于重新分配ANN分析期间的分类结局,Wilcoxon Mann Whitney检验用于重新分配期间的连续配对结局。

ANN模型

我们之前曾在另一篇文章中描述了类似的ANN模型、其结构及所使用的软件[20]。重申一下,在本研究中,每位患者的输入包括54个变量,其中匹配变量(表1中36个)或不匹配变量(表2中18个)。诊断由临床医生作出并记录在研究表格中。使用NeuralTools 7.6.0版(Palisade Corp.,Ithaca,NY)开发了ANN模型(图2)。这是一个全连接前馈ANN。正如我们之前的研究一样,第一隐藏层(每个训练CPI 1个)确保了准确的性能[20]。第二隐藏层(2个神经元,一个分子和一个分母)降低了维度,以驱动ANN快速收敛(即,可可靠用于预测结果的最优解)[20]。输入层由每个输入变量一个神经元组成。总计为54个(图2),或者如果仅纳入不匹配变量则仅为18个(与图2类似,唯一例外是输入节点为18个而非54个)。可额外添加一个分类输入神经元,用于表示CPI被接受与拒绝的状态。交叉验证集由初始训练(544,80%)和测试(136,20%)后随机选取的4种情景组成。因此,数据同时经过了内部和外部交叉验证。四种验证情景为随机选取。敏感性报告数据表明,这种训练、测试和交叉验证的分布未导致过拟合(可应要求提供)。我们的neural tools软件使开发和分ANN模型变得容易。通过简单的图标,您可以选择训练、测试和验证的限制条件。您还可以选择您的ANN是最佳网络搜索、广义回归网络还是概率网络。一旦开始训练,它将收敛并仅在达到某一停止条件时停止。我们使用了所有可能的停止条件,即1,000,000个训练周期、2分钟训练时间或无法进一步降低预测误差。重新分配和实时预测使得研究将CPI接受率从80%最大化至100%的效果成为可能。例如,结果准备就绪后,您可以更改病例中的输入,使所有CPI均被接受,并观察对住院时间的影响。此外,模型自动生成变量影响(VI),即给定变量对预测结果的总体百分比贡献。这些仅对所有变量进行了简单比较。

图2 指数干预后住院时间的人工神经网络模型结构。尾注:*输入节点数随我们纳入显著预测因子或不匹配变量预测结局而变化 查看原图 ↗

样本量计算

作者使用了加利福尼亚大学旧金山分校(UCSF)样本量计算器网站(网址:http://www.sample-size.net/sample-size-study-paired-t-test/,访问日期2019年11月27日)。使用I期数据,采用CPI 80%接受率与100%接受率之间变化的标准差为1.05。在双侧α为5%、把握度为80%时,需要554例合并CPI的样本量,以检测LOSTA中约3小时(0.125天)差异的效应量。该效应量基于其他研究组观察到的0天至0.8天的范围[14, 22]。因此,在计算器中,我们输入α为5%(双侧)、β误差为20%、效应量为0.125天、变化的标准误为1.05(基于试点期发现)。所需的CPI干预次数为556(使用T统计量)或554(使用Z统计量近似)。

针对匹配变量的ANN模型按专家经验需要19*10*2 = 380的样本量。但对于纳入非匹配变量的更大ANN,所需样本量将增至54*10*2 = 1080。这是基于专家近似公式:纳入的输入变量数乘以10再乘以第二层神经元数(即2)。

伦理批准

作者获得了应用科学私立大学(Applied Science Private University)的当地伦理批准(批准号2020-PHA-8)。由于数据通常在常规诊疗过程中收集,因此无需个体知情同意参与。应用科学私立大学与该医院为附属机构。

结果

与CPI被拒绝相关的因素

重症监护、儿科年龄组和非绿色抗菌药物在CPI被接受组与被拒绝组之间进行了统计学匹配(表1)。我们没有肿瘤病例,因此该专科可能无法在两组之间进行比较。总体而言,对于大多数不匹配变量(表2),被拒绝组中此类变量更多。例如,停用(42%对26%,P值< 0.001)或添加(29%对21%,P值= 0.027)药物均与CPI被拒绝率较高相关。经验为7年或8年的临床药师更可能干预成功(95%和86%对57%)。每位临床药师的成功率通过将医师授权的CPI数除以该临床药师推荐的CPI总数计算。这三名临床药师分别在256、475和963次CPI中有147、452和824次成功(χ2 P值= < 0.001)。总体而言,我们的临床药师在1694次CPI中成功1423次(84%)。在II期,拒绝较少,可能是由于经验最少的临床药师在该阶段贡献的CPI较少。总体而言,在对每次干预进行详细分析后,研究小组在绝大多数(> 99%)的CPI(无论接受还是拒绝)上同意临床药师而非医师的意见。这是专家判断而非假设,对ANN模型预测没有影响。

ANN模型收敛与LOSTA结局

ANN模型在18秒和270个训练周期内收敛。交叉验证非常接近恒等曲线,所有模型均具有准确预测(例如,LOSTA ANN R2 = 0.9923)。图3仅显示了重要变量的变量影响。拒绝CPI(合并VI约10%;即医师拒绝率6.5%和合并CP成功评分4%)是LOSTA的显著预测因子。在该ANN模型中,100%对80%接受的CPI与指数CPI后住院时间缩短0.4天相关(2.6 ± 3.4,中位数(范围)为2(0–28)对3.0 ± 3.8,2(0–30),P值 = 0.022)。读者可能会注意到,我们提供了该模型的完整统计摘要,因为这将有助于评估ANN模型结果的正态性。仅纳入单变量分析中不匹配的19个变量(即表1中的18个变量加上接受和拒绝CPI的二分类二进制编码),ANN模型在3秒和110个训练周期内收敛。在CPI接受率100%对80%的情况下,观察到相同的交叉验证结果和LOSTA差异(2.6 ± 3.4,中位数(范围)为2(0–28)对3.0 ± 3.8,2(0–30),P值 = 0.022)。然而,CPI的数量及其接受度的测量成为LOSTA结局的主要决定因素。医师拒绝率、合并CP成功评分和拒绝评分总体上解释了LOSTA约28%的变异性(图4)。

图3 指数干预后住院时间的变量影响 人工神经网络,纳入全部54个输入变量 查看原图 ↗
图4 指数干预后住院时间的变量影响,仅纳入不匹配的19个输入变量 查看原图 ↗

次要结局

所有次要结局在LOISCUA下均不显著降低,为0.4 ± 1.7,中位数(范围)为0(0–16)对0.5 ± 1.7,0(0–16)(P值 = 0.693)。两种情景下的再入院(684例中99例),各有8例转为相反的再入院类别。死亡率为1.2%对1.9%,P值 = 0.131,仅分别有6例和1例死亡状态发生转变。每个合并CPI的住院费用平均降低55 JD,但无统计学意义(2116 ± 2837对2171 ± 2864,P值 = 0.721)。

讨论

据我们所知,本研究首次使用ANN模型证明,最大化CPI的接受率可缩短住院时间并节省住院费用。

使CPI倾向于被拒绝的因素似乎因环境而异。例如,重症监护、儿科年龄组、抗感染药物和肿瘤药物是我们先前政府研究中CPI接受率显著较高的四个领域[16]。然而,在该急性护理私立环境中,这些专科的接受率差异不显著。此外,停止用药在前者中更可能被接受,而在后者中与更高的拒绝率相关[16]。在两项研究中,添加药物均更可能被拒绝。因此,尽管不科学,医师接受或拒绝CPI的决定可能部分由实践视角驱动。

Somers 等人在老年人群中评估了临床药学建议 [23]。他们发现,当医师接受约 54% 的临床药师干预(CPI)时,由四名医师、药理学家和临床药师组成的小组接受率超过 85%。同样,在我们的急性护理环境中,医师的总体接受率为 84%,事实上根据我们研究人员小组的详细审查,必须达到约 99%。这些接受率与急性护理环境中的其他研究一致,后者被发现介于 76% 至 93% 之间 [24–27]。然而,这些相反的药物治疗决策的临床意义仍有待评估。本研究中的专家判断支持最大化 CPI 的接受率,但对 ANN 模型本身没有影响。因此,我们的研究专家小组和 ANN 模型的结果一致认为,在处理被拒绝的 CPI 时,选择让药师在处方中占上风预期会有更好的结果。

Redmond 等人在一项汇总了 20 项随机临床试验的 Cochrane 荟萃分析中表明,CPI 对次要结局(包括医疗保健利用)的影响确定性很小 [28]。同样,我们的研究显示,拒绝 CPI 对 LOSICUA 和死亡率这两个次要结局的影响不显著。然而,这些拒绝持续使住院时间延长约一个班次或 0.4 天。平均而言,被拒绝的 CPI 的额外费用约为 55 约旦第纳尔(JD)。对于研究地点而言,这足以雇用 1.27 个全职当量(FTE)的临床药师。总之,所有三个因素,即专家评估、LOSTA 和成本,都指向同一方向,支持 100% 批准 CPI。

本研究的局限性包括两个重要方面。首先,这是该领域的初步回顾性研究。这一点很重要,因为如果进行前瞻性研究,可能会无法发现更高授权率的临床药师(CP)干预会缩短住院时间。通常,如果我们能有两个组,一组 100% 批准 CP 建议(干预组),另一组为常规约 80% 批准建议的匹配对照组,会更好。研究人员可以前瞻性地随访两组,以评估和测量 100% 批准 CP 建议的效果。以这种方式进行,授权率的提高将与观察到的结局变化相关。然而,在我们的实践中这极其不可能做到,并且需要超出常规护理的新安排。因此,我们决定进行回顾性研究,并采用人工智能模型,该模型将提供洞见,并可能为前瞻性设计奠定基础。此外,回顾性人工智能设计不太可能夸大临床药学建议。此外,三个独立因素支持我们的结论,不同实践环境中的进一步研究必须前瞻性地证实其发现。

其次,本研究证明,授予临床药师干预(CPI)更多授权将意味着更好的结局,如缩短住院时间和降低住院费用。然而,这只是迈向完全独立处方药师身份旅程中的一个里程碑。因此,未来研究应处理这一授权过程的其他维度,例如在盲目实施关于药师是否有资格承担这些独立执业角色的“一刀切”决定之前,界定个别药师的可接受执业范围。

结论

ANN模型显示,最大化对CPI的接受度可减少LOSTA并节省费用,而专家判断与此观点并行支持。临床医生和社会最有可能从最大化CPI授权中获益。应谨慎对待,因为这些发现并非“一刀切”,且可能因环境而异。最后,将某些有能力的临床药师提升为完全独立处方者身份有许多方面需要考虑。尽管当前研究表明,在医院环境中,临床药师总体上具备开具所有药物的良好条件,但可能涉及其他因素。因此,需要处理所有因素,例如界定个别药师的执业范围,而不是对药学专业本身的候选资格进行一概而论。

参考来源

  1. Saadah LM, Khan AH, Syed Sulaiman SA, et al. Maximizing acceptance of clinical pharmacy recommendations to reduce length of hospital stay in a private hospital from Amman, Jordan. BMC Health Serv Res. 2021. PMID: 34496856. doi:10.1186/s12913-021-06966-4
  2. 全文:PMC8424814(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8424814/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。