Antiretroviral Medication Adherence and Persistence with Respect to Adherence Tool Usage
Notice bibliographique
Résumé
Adherence to complex drug regimens over an extended period is a key factor in reaping the health benefits of highly active antiretroviral therapy (HAART). Forgetting a dose is the most commonly stated reason for suboptimal adherence, indicating a potential benefit of reminder devices. We examined antiretroviral drug adherence and duration of therapy with respect to adherence tool usage. Adherence was monitored for 12 months in a cohort of patients, using pharmacy refill data. Seventy-eight subjects were administered a questionnaire with regard to tool use at least once at 6 and/or 12 months; patients who replied to the questionnaire were eligible for this study. Persistence of remaining on therapy was obtained from the subjects, charts. The tools included individualized schedules, dosettes and electronic reminder devices, which were offered free of charge to all patients. Of the 64 subjects who entered this study, 60.9% (n = 39) used at least one adherence tool. The median adherence in those using tools was 95%; three quarters showed greater than 91% adherence. Adherence rates with respect to individual tools did not differ significantly for schedules and dosettes, with medians of 95% (n = 31) and 94% (n = 13), respectively. Median adherence with electronic reminders was 76% (n = 5). Seventy-four percent of patients remained on therapy after 12 months of study. Taking into consideration previous antiretroviral treatment, actual persistence at 12 months was 87%. Employing and individualizing strategies, including adherence tools, to enhance patient adherence to complex regimens in addition to counseling and follow-up, has resulted in good adherence rates and persistence.
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) | 0,001 | 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 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 ».