Tackling nonadherence in psychiatric disorders: current opinion
Notice bibliographique
Résumé
Nonadherence to treatment is a major challenge in all fields of medicine, and it has been claimed that increasing the effectiveness of adherence interventions may have far greater impact on the health of the population than any improvement in specific medical treatments. However, despite widespread use of terms such as adherence and compliance, there is little agreement on definitions or measurements. Nonadherence can be intermittent or continuous, voluntary or involuntary, and may be specific to single or multiple interventions, which makes reliable measurement problematic. Both direct and indirect methods of assessment have their limitations. The current literature focuses mainly on psychotic disorders. A large number of trials of various psychological, social, and pharmacologic interventions has been reported. The results are mixed, but interventions specifically designed to improve adherence with a more intensive and focused approach and interventions combining elements from different approaches such as cognitive-behavioral therapy, family-based, and community-based approaches have shown better outcomes. Pharmacologic interventions include careful drug selection, switching when a treatment is not working, dose adjustment, simplifying the treatment regimen, and the use of long-acting injections. The results for the most studied pharmacologic intervention, ie, long-acting injections, are far from clear, and there are discrepancies between randomized controlled trials, nationwide cohort studies, and mirror-image studies. Nonadherence with treatment is often paid far less attention in routine clinical practice and psychiatric training. Strategies to measure and improve adherence in clinical practice are based more on personal experience than on research evidence. This overview focuses on strategies used for improving treatment adherence in psychiatric disorders in the light of current evidence, with emphasis on public health aspects of treatment adherence and the management of nonadherence in routine clinical practice.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».