A Multifaceted Nurse- and Web-Based Intervention for Improving Adherence to Treatment in Patients With Cardiovascular Disease: Rationale and Design of the MIRROR Trial
Notice bibliographique
Résumé
BACKGROUND: Poor adherence to medication is one of the limitations in the treatment of cardiovascular diseases, thereby increasing the risk of premature death, hospital admissions, and related costs. There is a need for simple and easy-to-implement interventions that are based on patients' perspectives, beliefs, and perceptions of their illness and medication. OBJECTIVE: The objective is to test the effectivity of this intervention to improve medication adherence in patients with established cardiovascular disease, that is, in secondary prevention. METHODS: In this study the effect of a personalized visualization of cardiovascular risk levels through a website aiming at supporting self management in combination with a group consultation and communication intervention by a nurse on adherence to treatment in 600 patients with manifest cardiovascular diseases will be assessed. The health belief model was chosen as main theoretical model for the intervention. RESULTS: Primary outcome is adherence to treatment calculated by refill data. Secondary outcomes include the Beliefs about Medication Questionnaire and the Modified Morisky Scale. Patients are followed for one year. Results are expected by 2015. CONCLUSIONS: This study assesses adherence to treatment in a high-risk cardiovascular population by applying an intervention that addresses patients' capacity and practical barriers as well as patients' beliefs and perceptions of their illness and medication. CLINICALTRIAL: ClinicalTrials.gov NCT01449695; https://clinicaltrials.gov/ct2/show/NCT01449695 (Archived by WebCite at http://www.webcitation.org/6kCzkIKH3).
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) | 0,000 | 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 ».