Polypharmacy in HIV: Impact of Data Source and Gender on Reported Drug Utilization
Notice bibliographique
Résumé
Drug use in HIV is complex and may involve multiple therapeutic and nontherapeutic agents including prescription, over-the-counter, complementary and alternative medicine, and social/recreational drugs. This study was designed to assess the extent of such drug use in HIV-infected men and women. One hundred four adults were recruited through the HIV Ontario Observational Database from HIV outpatient clinics throughout Ontario, Canada. Patient demographics and data on drug use and physician awareness of drug use were collected through in-person interviews and medical chart review. All patient interviews and 96% of medical charts revealed the use of at least one drug. Eighty-five percent of patients reported use of antiretroviral medications; nearly 70% used highly active antiretroviral therapy. Patients used significantly more drugs by patient report (15.7 +/- 7.7) than by medical chart review (8.4 +/- 5.0) reporting up to 39 drugs per person. Pill burden was substantial, averaging 20.7 +/- 12.5 and ranged up to 69 "pills-per-day." Patient-reported physician awareness of drug use was highest for prescription drugs and lowest for social/recreational drugs; correspondingly agreement between medical chart and patient report ranged from 80% for antiretrovirals to 10% for non-prescribed drugs. The drug and pill burden faced by patients with HIV is considerable. Prevalence of use for specific drug classes varied with both data source and gender while number of drugs used differed only by data source. Our findings emphasize the complexity of pharmacotherapy in HIV and the need for comprehensive drug assessment, particularly because of the risks of drug-drug interactions and decreased adherence secondary to therapeutic complexity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».