Risk factors for non-adherence to disease-modifying therapy in pediatric multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Adherence to disease-modifying therapies (DMTs) in pediatric multiple sclerosis (MS) is not well understood. We examined the prevalence and risk factors for poor adherence in pediatric MS. METHODS: This cross-sectional study recruited youth with MS from 12 North American pediatric MS clinics. In addition to pharmacy-refill data, patients and parents completed self-report measures of adherence and quality of life. Additionally, patients completed measures of self-efficacy and well-being. Factor analysis and linear regression methods were used. RESULTS: A total of 66 youth (mean age, 15.7 years) received MS DMTs (33% oral, 66% injectable). Estimates of poor adherence (i.e. missing >20% of doses) varied by source: pharmacy 7%, parent 14%, and patient 41%. Factor analysis yielded two composites: adherence summary and parental involvement in adherence. Regressions revealed that patients with better self-reported physical functioning were more adherent. Parents were more likely to be involved in adherence when their child had worse parent-reported PedsQL School Functioning and lower MS Self-Efficacy Control. Oral DMTs were associated with lesser parental involvement in adherence. CONCLUSION: Rates of non-adherence varied by information source. Better self-reported physical functioning was the strongest predictor of adherence. Parental involvement in adherence was associated with worse PedsQL School Functioning and lower MS Self-Efficacy-measured confidence in controlling MS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».