Technology-mediated interventions for enhancing medication adherence
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: Despite effective therapies for many conditions, patients find it difficult to adhere to prescribed treatments. Technology-mediated interventions (TMIs) are increasingly being used with the hope of improving adherence. OBJECTIVE: To assess the effects of TMI, intended to enhance patient adherence to prescribed medications, on both medication adherence and clinical outcomes. METHODS: A secondary in-depth analysis was conducted of the subset of studies that utilized technology in at least one component of the intervention from an updated Cochrane review on all interventions for enhancing medication adherence. We included studies that clearly described an information and communication technology or medical device as the sole or major component of the adherence intervention. RESULTS: Thirty-eight studies were eligible for in-depth review. Only seven had a low risk of bias for study design features, primary adherence, and clinical outcomes. Eighteen studies used a TMI for education and/or counseling, 11 studies used a TMI for self-monitoring and/or feedback, and nine studies used electronic reminders. Studies used a variety of TMIs, with telephone the most common technology in use. Studies targeted a wide distribution of diseases and used a variety of adherence and clinical outcome measures. A minority targeted children and adolescents. Fourteen studies reported significant effects in both adherence and clinical outcome measures. CONCLUSIONS: This review provides evidence for the inconsistent effectiveness of TMI for medication adherence and clinical outcomes. These results must be interpreted with caution due to a lack of high-quality studies.
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 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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