The Challenge of Compliance and Persistence: Focus on Ulcerative Colitis
Notice bibliographique
Résumé
BACKGROUND: Non-adherence to therapy is a widespread problem, with typical adherence rates for prescribed medications being approximately 50%. An estimated 20% to 50% of patients with ulcerative colitis (UC) do not take their medications as prescribed, resulting in higher disease-recurrence rates and potentially higher health care costs. OBJECTIVE: To characterize the problem of non-adherence in UC, to review the many factors affecting compliance and persistence in this population, and to discuss practical strategies to improve adherence in these patients. SUMMARY: Adherence to and persistence with medication are complex and multifactorial behaviors. Factors shown to affect adherence in UC patients include disease extent and duration, cost of medications, fear of adverse effects, individual psychosocial variables, and the patient-physician relationship. In contrast, recent data do not support an important role for treatment-related factors such as daily dose, regimen, and formulation in influencing adherence in this population, particularly with longer duration of use. Strategies to improve adherence should involve the patient, the provider, and the health care delivery system. For UC patients, knowledge and discussion of the rationale for supporting persistence, such as recent data regarding agents that have a potential chemoprotective benefit, may encourage persistence, even during periods of quiescence. The patient-physician relationship is critical in encouraging adherence, particularly with respect to education, open communication, and agreement regarding the value of the assigned treatment. Health care delivery systems can improve adherence by encouraging the participation of multidisciplinary teams, providing reporting and tracking systems, and eliminating financial barriers where possible.
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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».