Adherence to the immunomodulatory drugs for multiple sclerosis: contrasting factors affect stopping drug and missing doses
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Long-term immunomodulatory drug (IMD) treatment is now common in multiple sclerosis (MS). However, predictors of adherence are not well understood; past studies lacked lifestyle factors such as alcohol use and predictors of missed doses have not been evaluated. We examined both levels of non-adherence-stopping IMD and missing doses. METHODS: This longitudinal prospective study followed a population-based cohort (n = 199) of definite MS patients in Southern Tasmania (January 2002 to April 2005, source population 226 559) every 6 months. Baseline factors (demographic, clinical, psychological and cognitive) affecting adherence were examined by logistic regression and a longitudinal analysis (generalized estimating equation (GEE)). RESULTS: Of the 97 patients taking an IMD (mean follow-up = 2.4 years), 73% (71/97) missed doses, with 1 in 10 missing > 10 doses in any 6-month period. Missed doses were positively associated with alcohol amount consumed per session (p = 0.008). A history of missed doses predicted future missed doses (p < 0.0005). Over one-quarter (27/97) stopped their current IMD, which was associated with lower education levels (p = 0.032) and previous relapses (p = 0.05). No cognitive or psychological test predicted adherence. CONCLUSIONS: There were few strong predictors of missed doses, although people with MS consuming more alcoholic drinks per session are at a higher risk of missing doses. Divergent factors influenced the two levels of non-adherence indicating the need for a multifaceted approach to improving IMD adherence. In addition, missed doses should be assessed and incorporated into clinical trial design and clinical practice as poor adherers could impact on clinical outcomes.
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.
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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| 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 découle