Bromide as marker for drug adherence in hypertensive patients
Notice bibliographique
Résumé
WHAT IS ALREADY KNOWN ABOUT THIS SUBJECT: Insufficient drug adherence is an important reason for inadequate blood pressure control. Currently, methods that measure drug adherence objectively are lacking. Objective methods are needed to help improve blood pressure control and outcome in hypertensive patients. WHAT THIS STUDY ADDS: Potassium bromide added to antihypertensive drugs can be used to monitor drug adherence in individual patients. However, although this method is objective, it is rather time-, cost- and work-consuming. AIMS Adherence to antihypertensive medication is essential for adequate long-term control of blood pressure (BP). This study investigated different methods of measuring adherence in hypertensive patients. METHODS: Patients were included if BP was insufficiently controlled on monotherapy. After a placebo period patients were treated with trandolapril 2 mg/verapamil SR 180 mg (TV). BP was determined using a mercury sphygmomanometer and ambulatory BP monitoring. Adherence was measured by capsule counting, electronic registration of pill-box openings and by measuring serum bromide concentrations. Potassium bromide was added to each TV capsule. RESULTS: Thirty patients participated in the study. Treatment with TV significantly lowered office BP and ambulatory BP. Results for electronic monitoring and adherence based on bromide measurements were comparable. Adherence was slightly higher when assessed by capsule counting. CONCLUSIONS: Measuring serum bromide concentrations may be suitable for assessment of adherence to drug therapy giving comparable results to electronic monitoring. Using capsule counting, electronic monitoring and measurement of bromide concentrations, nonadherent patients were identified.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».