Adherence with capecitabine: A population-based analysis based on prescription refill data
Notice bibliographique
Résumé
Background Patient adherence is important with the increasing use of oral anticancer drugs. Recent studies reported different capecitabine adherence rates based on self-reporting and microelectronic monitoring of the medication bottle. Patient's awareness of being monitored may confound these results. Prescription records provide a larger and more objective dataset for adherence investigation. We report the use of computer algorithm and manual review of prescription and medical documentation to determine the rate of capecitabine adherence. Methods Two years of capecitabine prescription records from five ambulatory cancer centres were reviewed. Prescription data were extracted using a custom Java-based software tool to compare the predicted vs. actual dispensing date. The difference between the dates was the primary adherence measure (altered treatment date incident) and estimated using a computer algorithm and by manual review of medical charts. Results Of 4412 refill prescriptions, 45.2% was associated with an altered treatment date incident based on the initial computer algorithm. This was reduced to 29.5% after adjusting for clinic scheduling processes and 10.2% after manual chart review to adjust for valid reasons for delay. The reasons for altered treatment date incident were not identified in 52.2% of prescriptions. Conclusions Adherence rate of capecitabine based on refill data seem to be high and consistent with other findings based on patient self-report. Population analysis of prescription data with custom computer algorithm may identify trends in capecitabine adherence with some efficiency. Manual review would likely be required to verify these results. The accuracy of using altered prescription refill dates as an adherence measure requires further studies.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».