Assessing Medication Adherence in Solid-Organ Transplant Recipients
Notice bibliographique
Résumé
OBJECTIVES: We sought to determine and compare the prevalence of nonadherence in lung, kidney, and liver transplant recipients, and identify potential risk factors for nonadherence. MATERIALS AND METHODS: This cross-sectional, single-center, retrospective cohort study, evaluated 225 outpatient lung, kidney, and liver transplant recipients' adherence to immunosuppressant medication. Based on immunosuppressant dosages and dispensing records, medication possession ratio (days of medication supplied/actual days) and gaps in prescription refills (> 30-day lapse between expected depletion of supply and next refill) were used as surrogate markers in assessing adherence for 2 years. Patients were adherent to their immunosuppressant medication regimens if their medication possession ratio was ≥ 80%. RESULTS: The mean age of the subjects was slightly greater than 50 years of age, and they were a median of 2.0, 1.3, and 1.1 years posttransplant at the start of data collection for lung, kidney, and liver recipients. Overall medication possession ratios were 95.4% ± 7.5%, 95.9% ± 7.6%, and 92.7% ± 12.3% in our lung, kidney, and liver recipients. Only 7.1% of patients had a medication possession ratio lower than 80%, which was the cutoff for nonadherence. No statistical analyses were performed to identify potential factors for nonadherence because of the small number of nonadherent patients. CONCLUSIONS: Immunosuppressant medication adherence at our center was high for all 3 organ cohorts, as measured by a medication possession ratio of 80% or better. Further study is needed to evaluate immunosuppressant adherence over time after transplant, and confirm the clinical factors that optimize adherence in high-risk patients.
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) | 0,000 | 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) | 0,000 | 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 ».