Using Artificial Intelligence to Measure and Optimize Adherence in Patients on Anticoagulation Therapy
Notice bibliographique
Résumé
Background: The introduction of direct oral anticoagulants (DOACs), while reducing the need for monitoring, have also placed pressure on patients to self-manage. Suboptimal adherence goes undetected as routine laboratory tests are not reliable indicators of adherence, placing patients at increased risk of stroke and bleeding. Objective: To evaluate an artificial intelligence (AI) platform that visually confirms medication ingestion on smartphones in elderly stroke patients on anticoagulation therapy. Methods: A randomized, parallel-group, 12-week study was conducted in adults (N=28) with a recently diagnosed ischemic stroke. Patients were randomized to daily monitoring by the AI platform (intervention) or to no daily monitoring (control). The AI app visually identified the patient and the medication and confirmed ingestion. Adherence was measured by pill counts and plasma sampling in both groups. Results: For all patients (N=28), mean age was 57 (SD 13.2) years and 53.6% were female. Mean cumulative adherence based on the AI platform was 90.5% (SD 7.5%). Plasma drug concentration levels indicated that adherence was 100% (15 of 15) and 50% (6 of 12) in the intervention and control groups, respectively, and mean cumulative pill count adherence was 97.2% (SD 4.4%) and 90.6% (SD 5.8%), respectively. Conclusions: Patients, some with little experience using a smartphone, successfully used the technology and demonstrated a 67% absolute improvement in adherence to DOACs based on plasma drug concentration levels. Real-time monitoring has the potential to increase adherence and change behavior, particularly in patients on DOAC therapy. ClinicalTrial: Clinicaltrials.gov NCT02599259; https://clinicaltrials.gov/ct2/show/NCT02599259 (Archived by WebCite at http://www.webcitation.org/6n6GS3vQ3).
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 ».