A pilot study on cost-related medication nonadherence in Ontario.
Notice bibliographique
Résumé
BACKGROUND: Cost-related nonadherence (CRN) describes patients cutting back on their prescribed medication due to an inability to pay. CRN is influenced by drug insurance coverage plans, which vary widely among different healthcare systems. Little is known about CRN in Canada and Ontario. OBJECTIVE: To develop and pilot a questionnaire about CRN. METHODS: An interviewer-administered questionnaire assessing demographics, socioeconomic status, health status and health literacy, medication costs and CRN was developed for this pilot study. Participants were recruited from a general internal medicine rapid assessment outpatient clinic of a large urban teaching hospital. RESULTS: Sixty patients were recruited (mean age 60.3 years; 48.3% female; mean of 5.3 prescription medications per patient). Nine patients (15%) reported some form of CRN. Unfilled prescriptions, delayed prescriptions, less frequent and smaller doses were the most common forms of CRN. Seven patients (11.7%) had no drug insurance. Patients without drug insurance were more likely to experience CRN than patients with private insurance (OR 20.70, 95% CI 1.46-292.75); government coverage also increased the likelihood of CRN compared to private coverage (OR 4.51, 95% CI 0.376-54.11). Patients spending over $100 a month out-of-pocket were more likely to experience CRN than patients spending less than $20 (OR 42.52, 95% CI 2.02-894.03). Thirty-three patients (55%) said that their physicians had not asked them about how they deal with the cost of prescriptions. CONCLUSION: Based on our pilot survey, a significant minority of specialty clinic outpatients experience CRN and prescribers frequently forget to inquire whether patients can afford their medications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».