Predictors of non-adherence to antihypertensive medication in Kinshasa, Democratic Republic of Congo: a cross-sectional study
Notice bibliographique
Résumé
BACKGROUND: Hypertension remains a public health challenge worldwide. In the Democratic Republic of Congo, its prevalence has increased in the past three decades. Higher prevalence of poor blood pressure control and an increasing number of reported cases of complications due to hypertension have also been observed. It is well established that non-adherence to antihypertensive medication contributes to poor control of blood pressure. The aim of this study is to measure non-adherence to antihypertensive medication and to identify its predictors. METHODS: A cross-sectional study was conducted at Kinshasa Primary Health-care network facilities from October to November 2013. A total of 395 hypertensive patients were included in the study. A structured interview was used to collect data. Adherence to medication was assessed using the Morisky Medication Scale. Covariates were defined according to the framework of the World Health Organization. Logistic regression was used to identify predictors of non-adherence. RESULTS: A total of 395 patients participated in this study. The prevalence of non-adherence to antihypertensive medication and blood pressure control was 54.2 % (95 % CI 47.3-61.8) and 15.6 % (95 % CI 12.1-20.0), respectively. Poor knowledge of complications of hypertension (OR = 2.4; 95 % CI 1.4-4.4), unavailability of antihypertensive drugs in the healthcare facilities (OR = 2.8; 95 % CI 1.4-5.5), lack of hypertensive patients education in the healthcare facilities (OR = 1.7; 95 % CI 1.1-2.7), prior experience of medication side effects (OR = 2.2; 95 % CI 1.4-3.3), uncontrolled blood pressure (OR = 2.0; 95 % CI 1.1-3.9), and taking non-prescribed medications (OR = 2.2; 95 % CI 1.2-3.8) were associated with non-adherence to antihypertensive medication. CONCLUSION: This study identified predictors of non-adherence to antihypertensive medication. All predictors identified were modifiable. Interventional studies targeting these predictors for improving adherence are needed.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 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 ».