Nonadherence in type 2 diabetes: practical considerations for interpreting the literature
Notice bibliographique
Résumé
The rising prevalence of type 2 diabetes poses a serious threat to human health and the viability of many health care systems around the world. Although several prescription medications can play a vital role in controlling symptoms and preventing complications, non-adherence to these therapies is highly prevalent and has been linked to increases in morbidity, mortality, and health care costs. Although a vast array of significant adherence predictors has been identified, the ability to explain or predict non-adherence with known risk-factors remains poor. Further, the definitions, outcomes, and various measures used in the non-adherence literature can be misleading for the unfamiliar reviewer. In this narrative review, a practical overview of important considerations for interpreting adherence endpoints and measures is discussed. Also, an organizational framework is proposed to consider published adherence interventions. This framework may allow for a unique appreciation into areas of limited knowledge and thus highlights targets for future research.
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 | 0,351 | 0,651 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,018 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,014 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,007 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».