Determinants of non-adherence to disease-modifying therapies in multiple sclerosis: A cross-Canada prospective study
Notice bibliographique
Résumé
BACKGROUND: Poor adherence to the disease-modifying therapies (DMTs) for multiple sclerosis (MS) may attenuate clinical benefit. A better understanding of characteristics associated with non-adherence could improve outcomes. OBJECTIVE: To evaluate characteristics associated with non-adherence to injectable DMTs. METHODS: Consecutive patients from four Canadian MS Clinics were assessed at three time points over two years. Clinical and demographic information included self-reported DMT use, missed doses in the previous 30 days, health behaviors, and comorbidities. Non-adherence was defined as <80% of expected doses taken. We employed generalized estimating equations to examine characteristics associated with non-adherence at all time points with findings reported as adjusted odds ratios (OR). RESULTS: In all, 485 participants reported use of an injectable DMT, of whom 107 (22.1%) were non-adherent over the study period. Non-adherence was associated with a lower Expanded Disability Status Scale score (0-2.5 vs 3.0-5.5, OR: 1.80; 95% confidence interval (CI): 1.06-3.04), disease duration (⩽5 vs <5 years, OR: 2.23; 95% CI: 1.10-4.52), alcohol dependence (OR: 2.14; 95% CI: 1.23-3.75), and self-reported cognitive difficulties, measured by the Health Utilities Index-3 (OR: 1.55; 95% CI: 1.08-2.22). CONCLUSIONS: Nearly one-quarter of participants were non-adherent during the study. Alcohol dependence, perceived cognitive difficulties, longer disease duration, and mild disability status were associated with non-adherence. These characteristics may help healthcare professionals identify patients at greatest risk of poor adherence.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».