Expert Consensus Survey on Medication Adherence in Psychiatric Patients and Use of a Digital Medicine System
Notice bibliographique
Résumé
BACKGROUND: There is an unmet need to objectively assess adherence problems that are a common cause of unexplained or unexpected suboptimal outcome. A digital medicine system (DMS) has been developed to address this need in patients with serious mental illness. OBJECTIVE: To conduct a quantitative expert consensus survey to (1) assess relative importance of causes of suboptimal outcomes, (2) examine modalities used to assess adherence, (3) provide guidance on when and how to use the DMS in clinical practice once available, and (4) suggest interventions for specific reasons for nonadherence. METHODS: A panel of 58 experts in psychiatry completed a 23-question survey (October 13 through December 23, 2013) and rated their responses on a 9-point Likert scale. A χ² test of score distributions was used to determine consensus (P < .05). RESULTS: The panel rated adherence as the most important factor in suboptimal outcomes and yet the least likely to be assessed accurately. All predefined uses of the DMS received high mean first-line ratings (≥ 7.4). The experts recognized the utility of the DMS in managing adherence problems, identified clinical situations appropriate for DMS, and assessed potential benefits and challenges of this technology. Consensus was reached on first-line interventions for 10 of 11 reasons for nonadherence. CONCLUSIONS: The results provide a guide to clinicians on the evaluation of suboptimal outcomes, when and how to use the DMS, and the most appropriate interventions to address detected adherence problems.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».