Effect of teaching strategies on adherence to antiepileptic drugs and recurrence of seizures among epileptic patients
Notice bibliographique
Résumé
Background and objective: Adherence to medications is the backbone to effectiveness of a treatment. Adherence to antiepileptic drugs (AEDs) is essential to prevent the risk of seizures recurrence. The aims were to study the effect of teaching strategies on adherence to antiepileptic drugs, recurrence of seizures, and identify factors affecting the adherence level among epileptic patients.Methods: Research design: Quasi-experimental design. Setting: Neurology Department at Neurological and Psychiatric Assiut University Hospital. Sample: A purposive sample of sixty male and female adult patients diagnosed with epilepsy. Tools: Tool I-Patient assessment sheet. Tool II-Morisky Medication Adherence Scale. Tool III-Liverpool Seizure Severity Scale.Results: There was a statistically significant difference between pre and post applying of teaching strategies as regard drug adherence and recurrence of seizures among epileptic patients (p < .001). Also, forgetfulness, side effects of medications, and absence of family or friend were the main factors of non- adherence to AEDs.Conclusions and recommendations: Teaching strategies had statistical significant effects on adherence to antiepileptic drugs and on reducing recurrence of seizures among epileptic patients. Simple educational pamphlet for epileptic patients and their family members to improve adherence to AEDs should be available in Neurology Department and Outpatient Neurology Clinics.
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 | 0,008 |
| 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 | 0,001 |
| 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 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 ».