Predictors of Treatment Discontinuation and Medication Nonadherence in Patients Recovering From a First Episode of Schizophrenia, Schizophreniform Disorder, or Schizoaffective Disorder
Notice bibliographique
Résumé
OBJECTIVE: To evaluate predictors of treatment discontinuation against medical advice and poor medication adherence among first-episode patients treated with olanzapine, quetiapine, or risperidone. METHOD: First-episode patients with schizophrenia, schizophreniform disorder, or schizoaffective disorder (DSM-IV) were randomly assigned to olanzapine (2.5-20 mg/day), quetiapine (100-800 mg/day), or risperidone (0.5-4 mg/day) as part of a 52-week, randomized, double-blind, flexible-dose, multicenter study. Patients were enrolled from 2002 to 2004 at one of 26 sites in the United States and Canada. Survival analysis tested for predictors of treatment discontinuation against medical advice, while mixed models tested for predictors of poor medication adherence. Significant findings from the final models were replicated in sensitivity analyses. RESULTS: Of the 400 patients randomly assigned to treatment, 115 patients who discontinued treatment against medical advice and 119 study completers were compared in this analysis. Poor treatment response (p < .001) and low medication adherence (p = .02) were independent predictors of discontinuation against medical advice. Ongoing substance abuse, ongoing depression, and treatment response failure significantly predicted poor medication adherence (p < .01). Higher cognitive performance at baseline and ethnicity (black) were also associated with lower medication adherence (p < .05). An association between poor medication adherence and illness insight at study entry was found at trend level (p = .059). CONCLUSION: This study highlights the importance of treatment response in predicting discontinuation against medical advice and poor adherence to medication in first-episode patients. These results also support interventions to improve adherence behavior, particularly by targeting substance use disorders and depressive symptoms. TRIAL REGISTRATION: ClinicalTrials.gov identifier NCT00034892 (http://www.clinicaltrials.gov).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».