Buscar en
Farmacia Hospitalaria (English Edition)
Toda la web
Inicio Farmacia Hospitalaria (English Edition) Preliminary prediction model for identifying patients with the possibility of ph...
Información de la revista
Vol. 34. Núm. 6.
Páginas 298-302 (Enero 2010)
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Vol. 34. Núm. 6.
Páginas 298-302 (Enero 2010)
Acceso a texto completo
Preliminary prediction model for identifying patients with the possibility of pharmacotherapy improvement
Modelo predictivo preliminar para la identificación de pacientes con oportunidades de mejora farmacoterapéutica
Visitas
...
E. Vila Torresa,??
Autor para correspondencia
vila_eli@gva.es

Corresponding author.
, D. Pérez Anchordoquib, B. Porta Oltrac, N.V. JiménezTorresc
a Servicio de Farmacia, Hospital General de Ciudad Real, Ciudad Real, Spain
b Servicio de Farmacia, MD. Anderson International, Madrid, Spain
c Servicio de Farmacia, Departamento de Farmacia y Tecnología Farmacéutica, Hospital Universitario Dr. Peset, Universidad de Valencia, Valencia, Spain
Información del artículo
Abstract
Objective

To develop a prediction model for identifying patients with the possibility of improving pharmacotherapy during the process of pharmaceutical validation of the prescription.

Method

Cross-sectional study over two months, performed in the Internal Medicine and Infectious Disease divisions. Detecting opportunities for improving quality of pharmacotherapy is done by means of a pharmacist's validation of the prescription. Based on the information we obtained through this process, we performed a multivariate logistic regression analysis using as prognostic factors the demographic, pharmacotherapy and clinical variables related to identifying any drug-related problems (DRPs) in the patient. The model's prediction validity was assessed using the diagnostic performance curve and calculating the area under it.

Results

The final prediction model included the variables age, cardiovascular drugs (digoxin) and drugs for which a dosage adjustment is recommended in the case of organ failures. Analysis of the ROC curve showed an estimated area under the curve AUCROC) of 84.0% (95% CI: 80.5–87.1), a sensitivity value of 28% (95% CI: 24.07–32.19), a specificity value of 99.10% (95% CI: 97.80–99.73), a positive predictive value of 77.78% and a negative predictive value of 92.41%.

Conclusion

The resulting prediction model enables population-based detection of pharmacotherapy safety risks in adult patients admitted to the selected hospital units. The predictive variables used by the model are commonly used in daily practice.

Keywords:
Quality
Safety
Pharmaceutical validation of prescriptions
Predictive method
Resumen
Objetivo

Desarrollar un modelo predictivo para la identificación de pacientes con oportunidades de mejora en la farmacoterapia durante el proceso de validación farmacéutica de la prescripción.

Método

Estudio transversal de dos meses de duración realizado en los servicios de medicina interna y enfermedades infecciosas. La detección de oportunidades de mejora en la calidad de la farmacoterapia se efectuó mediante validación farmacéutica de la prescripción. A partir de la información obtenida en este proceso se realizó un análisis mediante regresión logística multivariante utilizando como factores pronóstico variables demográficas, farmacoterapéuticas y clínicas relacionadas con la identificación en el paciente de problemas relacionados con la medicación. La validez predictiva del modelo se evaluó mediante la curva de rendimiento diagnóstico y el cálculo de su área.

Resultados

El modelo predictivo final incluyó las variables edad, fármacos cardiovasculares (digoxina) y fármacos en los que se recomienda el ajuste posológico por insuficiencias orgánicas. El análisis de la curva ROC mostró un área bajo la curva estimada del 84,0% (IC 95%: 80,5–87,1), un valor de sensibilidad del 28% (IC 95%: 24,07–32,19), un valor de especificidad del 99,10% (IC 95%: 97,80–99,73), un valor predictivo para positivos del 77,78% y un valor predictivo para negativos del 92,41%.

Conclusión

El modelo predictivo obtenido permite la detección poblacional del riesgo de seguridad farmacoterapéutica en los pacientes adultos ingresados en los servicios hospitalarios seleccionados. Las variables predictoras manejadas por el modelo son habitualmente utilizadas en la práctica asistencial diaria.

Palabras clave:
Calidad
Seguridad
Validación farmacéutica de la prescripción
Modelo predictivo
El Texto completo está disponible en PDF
References
[1.]
P. Kanjanarat, A.G. Winterstein, T.E. Johns, R.C. Hatton, R. González-Rothi, R. Segal.
Nature of preventable adverse drug events in hospitals: a literature review.
Am J Health Syst Pharm, 60 (2003), pp. 1750-1759
[2.]
N. Barber, M. Rawlins, F.B. Dean.
Reducing prescribing error: competence, control and culture.
Qual Saf Health Care, 12 (2003), pp. 29-32
[3.]
T.K. Gandhi, S.N. Weingart, A.C. Seger, J. Borus, E. Burdick, E.G. Poon, et al.
Outpatient prescribing errors and the impact of computerized prescribing.
J Gen Intern Med, 20 (2005), pp. 837-841
[4.]
B. Dean, N. Barber, M. Schachter.
What is a prescribing error?.
Qual Health Care, 9 (2000), pp. 232-237
[5.]
American Society of Health System Pharmacists.
Suggested definitions and relationship among medication misadventures, medication errors, adverse drug events and drug reactions.
Am J Health Syst Pharm, 55 (1998), pp. 165-166
[6.]
M. Climente, N.V. Jiménez.
Manual para la atención farmacéutica.
3, AFAHPE, (2005),
[7.]
J.T. Hanlon, K.E. Schmader, M.J. Koronkowski, M. Weinberger, P.B. Landsman, G.P. Samsa, et al.
Adverse drug events in high risk older outpatients.
J Am Geriatr Soc, 45 (1997), pp. 945-948
[8.]
C. Tran, S.R. Knowles, B.A. Liu, N.H. Shear.
Gender differences in adverse drug reactions.
J Clin Pharmacol, 38 (1998), pp. 1003-1009
[9.]
R.S. Evans, J.F. Lloyd, G.J. Stoddard, J.R. Nebeker, M.H. Samore.
Risk factors for adverse drug events: a 10-year analysis.
Ann Pharmacother, 39 (2005), pp. 1161-1168
[10.]
C.A. Colley, L.M. Lucas.
Polypharmacy: the cure becomes the disease.
J Gen Intern Med, 8 (1993), pp. 278-283
[11.]
M. Chester, L. Chen, J.C. Kaski.
Identification of patients at high risk for adverse coronary events while awaiting routine coronary angioplasty.
Br Heart J, 73 (1995), pp. 216-222
[12.]
Borrás Almenar C, Tordera Baviera M. Validación farmacéutica de la prescripción médica. In: Jiménez NV, editor. Borrás C, Climente M, Merino M, coeditors. Calidad farmacoterapéutica. Valencia: Publicacions de la Universitat de València; 2006. p. 215–28.
[13.]
J.J. Pérez-Ruixo, M. Climente Martí, N.V. Jiménez Torres.
Valoración de la complejidad farmacoterapéutica de las prescripciones.
Farm Hosp, 25 (2001), pp. 274-283
[14.]
J.T. Hanlon, K.E. Schmader, G.P. Samsa, M. Weinberger, K.M. Uttech, I.K. Lewis, et al.
A method for assessing drug therapy appropiateness.
J Clin Epidemiol, 45 (1992), pp. 1045-1051
[15.]
D.H. Freeman.
Applied categorical data analysis.
Marcel Dekker Inc, (1987),
[16.]
D.W. Hosmer, S. Lemeshow.
Applied logistic regression.
2, Wiley, (2000),
[17.]
J.M. Doménech, B. Navarro.
Regresión logística binaria, multinomial.
de Poisson y binomial negativa, Signo, (2005),
[18.]
D.W. Bates, E.B. Miller, D.J. Cullen, L. Burdick, L. Williams, N. Laird, et al.
Patient risk factors for adverse drug events in hospitalized patients.
Arch Intern Med, 159 (1999), pp. 2553-2560
[19.]
S.T. McMullin, R.M. Reichley, M.G. Kahn, W.C. Dunagan, T.C. Bailey.
Automated system for identifying potential dosage problems at a large university hospital.
Am J Health Syst Pharm, 54 (1997), pp. 545-549
[20.]
I.S. Nash, M. Rojas, P. Hebert, S.R. Marrone, C. Colgan, L.A. Fisher, et al.
Reducing excessive medication administration in hospitalized adults with renal dysfunction.
Ann Pharmacother, 38 (2004), pp. 853-858
[21.]
E. Cavero, M. Climente, M.C. Navarro, N.V. Jiménez.
Evaluación de la calidad de dos modelos de atención farmacéutica en pacientes onco-hematológicos.
Farm Hosp, 31 (2007), pp. 231-237
Copyright © 2010. Sociedad Española de Farmacia Hospitalaria
Opciones de artículo
Herramientas