Preferred Features of Oral Treatments and Predictors of Non-Adherence: Two Web-Based Choice Experiments in Multiple Sclerosis Patients
Notice bibliographique
Résumé
BACKGROUND: Oral disease modifying therapies (DMTs) for multiple sclerosis (MS) differ in efficacy, tolerability, and safety. OBJECTIVE: We sought to understand how these attributes impact patient preference and predicted DMT non-adherence among oral-naïve MS patients. METHODS: Adult MS patients from the "PatientsLikeMe" Web-based health data-sharing platform completed a discrete choice exercise where they were asked to express their preference for one of three hypothetical oral DMTs, each with a certain combination of levels of tested attributes. Another Web-based exercise tested a number of possible drivers of non-adherence, mainly side effects. Data from an MS clinic were used to adjust for sample bias. Respondents' preferences were analyzed using Hierarchical Bayesian estimation. RESULTS: A total of 319 patients completed all questions. Most respondents were female (77.7%, 248/319) with mean age 48 years (SD 10). Liver toxicity was the attribute that emerged as the most important driver of patient preference (25.8%, relative importance out of 100%), followed by severe side effects (15.3%), delay to disability progression (10.7%), and common side effects (10.4%). The most important drivers of predicted non-adherence were frequency of daily dosing (17.4% out of 100%), hair thinning (14.8%), use during pregnancy (14.1%), severe side effects (13.8%), and diarrhea (13.0%). CONCLUSIONS: Understanding the important concerns expressed by patients may help health care providers to understand and educate their patients more completely about these concerns. This knowledge may therefore improve both choices of appropriate therapy and adherence to therapy over time.
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 | 0,003 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».