Integration of Provider, Pharmacy, and Patient-Reported Data to Improve Medication Adherence for Type 2 Diabetes: A Controlled Before-After Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Patients with diabetes often have poor adherence to using medications as prescribed. The reasons why, however, are not well understood. Furthermore, most health care delivery processes do not routinely assess medication adherence or the factors that contribute to poor adherence. OBJECTIVE: The objective of the study was to assess the feasibility of an integrated informatics approach to aggregating and displaying clinically relevant data with the potential to identify issues that may interfere with appropriate medication utilization and facilitate patient-provider communication during clinical encounters about strategies to improve medication use. METHODS: We developed a clinical dashboard within an electronic health record (EHR) system that uses data from three sources: the medical record, pharmacy claims, and a patient portal. Next, we implemented the dashboard into three community health centers. Health care providers (n=15) and patients with diabetes (n=96) were enrolled in a before-after pilot to test the system's impact on medication adherence and clinical outcomes. To measure adherence, we calculated the proportion of days covered using pharmacy claims. Demographic, laboratory, and visit data from the EHR were analyzed using pairwise t tests. Perceived barriers to adherence were self-reported by patients. Providers were surveyed about their use and perceptions of the clinical dashboard. RESULTS: Adherence significantly and meaningfully improved (improvements ranged from 6%-20%) consistently across diabetes as well as cardiovascular drug classes. Clinical outcomes, including HbA1c, blood pressure, lipid control, and emergency department utilization remained unchanged. Only a quarter of patients (n=24) logged into the patient portal and completed psychosocial questionnaires about their barriers to taking medications. CONCLUSIONS: Integrated approaches using advanced EHR, clinical decision support, and patient-controlled technologies show promise for improving appropriate medication use and supporting better management of chronic conditions. Future research and development is necessary to design, implement, and integrate the myriad of EHR and clinical decision support systems as well as patient-focused information systems into routine care and patient processes that together support health and well-being.
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 | 0,021 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».