Concordance, Compliance and Adherence in Healthcare: Closing Gaps and Improving Outcomes
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
The gap between best care and usual care is large for many important diseases. In particular, poor adherence remains a significant, inadequately addressed, cause of the care gap. About half of all patients with chronic diseases stop refilling prescriptions by one year. Several effective interventions are available and adaptations of clinical trials practices offer promise for further improvement. Poor adherence is a remedial problem in healthcare quality and its improvement and accountability offer shared opportunities for providers and patients. There is a large gap between best care, defined as the optimal use of proven efficacious therapies in whole populations at risk from any disease, and usual care, the actual level of efficacious care being provided (Montague et al. 1997). This gap in patient care has four main causes: diseases may not be diagnosed, efficacious therapies may not be prescribed, access to therapy may be restricted or patients may not adhere to prescriptions. Irrespective of causation, the ultimate result of care gaps is the same--less than optimal clinical outcomes and associated lost opportunities for improved quality of life and productivity. Systematic approaches to improving prescribing practices are increasing, and there is much debate around improving patients' access to care. Poor diagnosis is judged to be relatively uncommon, leaving decayed adherence as the major under-addressed cause of care gaps and a major opportunity for improvement. This paper reviews the scope and causation of sub-optimal adherence, evaluates improvement strategies and explores a best-practice benchmark.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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