Background: Multi-dose drug dispensing (MDD) is an alternative to assist patients with difficulties in administering and handling their medications. In 2019 the primary care units at Region Gotland reported a high number of discrepancies, regarding patients with MDD discharged from the Hospital of Visby. Due to the high proportion of discrepancies between the patient's medication list in TakeCare and the prescription list of MDD the clinical pharmacists at the hospital began to check all patients marked for discharge in order to discover and prevent eventual discrepancies. Aim: To identify discrepancies between the patient’s medication list and the prescription for MDD when discharged from the Hospital of Visby and investigate whether there has been a decrease since 2019. Method: A quantitative cross-sectional study was performed. Medication lists from each patient’s journal and their prescribing record from the prescription system for MDD were reviewed to identify discrepancies, which then were noted and discussed with the physician in charge. Identified discrepancies were rated into pre-defined categories and compared with data from previous years. A chi-square test was performed to investigate the significant difference of discrepancies between the units. The results from the intervention were summarized into figures and tables. Results: Medication lists from 144 patients with a mean age of 83 years were included. Discrepancies were identified in 34% of the patients and a total of 98 discrepancies were noted, which proves a significant decrease since 2019 when the number of discrepancies was 70%. Totally 79% of the discrepancies were estimated to have occurred during the patient's hospital stay. The highest number of discrepancies were found in the medical department and the difference between all inpatient care departments was significant (p <0.0001). Conclusion: The results indicate a decrease in discrepancies since 2019. Further research is necessary to clarify the reason behind the discrepancies.

Bakgrund: Paracetamol är ett av de mest kända och använda läkemedlet över hela världen för analgetisk och antipyretisk effekt. Paracetamol är ett receptbelagt läkemedel men säljs även receptfritt. Läkemedlet anses vara säkert under graviditet och därför kan den användas så länge den rekommenderade dosen inte överskrids. Hur paracetamol verkar är det inte klarlagt än idag däremot finns det en del hypoteser och teorier Syfte: Syftet med litteraturstudien är att, med hjälp av djurstudier, undersöka hur en tidig exponering av paracetamol ger neurologiska negativa effekter under hjärnutvecklingen.  Metod: Artikelsökning till litteraturstudien gjordes i databasen Pubmed genom sex sökningar där 12 artiklar kunde besvara studiens frågeställning. Sökningen följde exkluktions kriterierna: humana studier, paracetamol har antingen en positiv eller ingen påverkan på hjärnutvecklingen, paracetamols påverkande på framtida sexuella samt reproduktionsbeteende som ses i vuxen ålder. Artiklarna som inkluderades var från och med år 2016–2022, ett undantag gjordes dock vid sökning 5 och 6 där artiklar inkluderades från 2014–2022. Resultat: Paracetamol exponering under tidig hjärnutveckling har visat minskade koncentrationsnivåer av monoaminer, dess metaboliter och aminosyror i olika hjärnregioner. Dessa förändringar har kopplats till neurofysiologisk och kognitiv försämring som försämrad minne och inlärningsförmåga. Även oxidativ stressindex har ökat efter paracetamol exponeringen vilket associerades med inducerad oxidativ stress. Antioxidanterna superoxiddistumas och glutation minskade också vilket ökade de skadliga radikalerna i kroppen vilket ökade den oxidativa stressen. Slutsats: Slutligen kan en slutsats dras om en tidig paracetamol exponering. Läkemedlet har visat neurotoxiska effekter under tidig hjärnutveckling vilket har i in vivo studier visat ökad oxidativ stress, abnormitet i kognitiva funktioner och risk för neuropsykiatriska dysfunktioner. Därmed bör försiktighetsåtgärder och rekommendationerna kring paracetamol användningen under graviditet iakttas och nödvändigt utvärderas av läkare som farmaceuter och läkemedelsverket.

No description available.

No description available.

No description available.

No description available.

Abstrakt  Introduktion och syfte: Löslighet är en av de viktigaste parametrarna som spelar en viktig roll vid upptäckt och utveckling av läkemedel. Att ha kännedom om löslighet av något läkemedel är viktigt eftersom det hjälper till att formulera nya läkemedelskandidater. Olika teoretiska metoder används för att förutsäga löslighet, såsom kvantitativ struktur-egenskapsrelation (QSPR- modeller). Maskininlärning är ett ytterligare sätt att förutsäga löslighet. Syftet med denna studie är att göra en litteraturgenomgång för att fastställa hur olika maskininlärningsmodeller används för att förutsäga löslighet. Syftet är också att ta reda på om det finns trender i prestanda för olika maskininlärningsalgoritmer, samt trender i hur användningen av datasetet påverkar prestanda.  Metod: En litteratursökning fokuserad på användning av maskininlärning för att förutsäga löslighet genomfördes. PubMed och Google användes för att söka efter vetenskapliga artiklar. De olika maskininlärningsalgoritmerna delades in i fem olika kategorier. Dessutom bestämdes fördelningen mellan användandet av regression och klassificering vad gäller löslighetsprediktion. En intressant parameter att studera är hur storleken på felet varierar med storleken på dataseten. Det är också viktigt att veta hur storleken på felet beror på antalet deskriptorer. Slutligen undersökte denna studie hur storleken på felet varierar med andelen molekyler i ett dataset som används för träning, test och validering.  Resultat: Studien visar att både beslutsträd och neurala nätverk används mest i artiklar, och att beslutsträd har ett högre R2-värde än neurala nätverk. Bayesianska metoder förefaller också ge goda resultat, men används inte lika mycket som andra metoder. De flesta artiklar använder regression för att erhålla en kontinuerlig variabel såsom löslighet. Ju större dataset, desto mindre felstorlek och ett bättre resultat. Fördelningen mellan tränings-, test- och validerings-set spelar en viktig roll för att minska storleken på felet. Antalet deskriptorer spelar en viktig roll och ju fler deskriptorer, desto mindre storlek på felet.  Slutsats: Beslutsträd och neurala nätverk används mest i maskininlärningsalgoritmer och andelen artiklar för neurala nätverk och beslutsträd är 30% vardera. Medelvärdet för R2 är högst (0.88) för studier som använder någon variant av beslutsträd. Regression används mer än klassificering. Där är andelen artiklar som använder regression, klassificering eller en kombination 50%, 31% respektive 19%. De högsta R2 (0.9) och lägsta (0.67) RMSE-värdena observerades för studier som innefattar stora dataset (upp till 40 000 molekyler). På samma sätt erhölls bäst resultat (MAE, R2 och RMSE) också för studier som inkluderade ett stort antal deskriptorer. För de studier som använde mer än 1000 deskriptorer erhölls medel-R2-, RMSE- och MAE-värde på 0,83, 0,55 respektive 0,51. Vidare sågs i detta arbete att en fördelning mellan tränings- och test-set i proportionerna 80/20 verkar vara både vanligt och lämpligt för att erhålla resultat med ett så litet fel som möjligt.

No description available.

No description available.

No description available.