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 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 | 0,002 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».