Understanding and Managing Treatment Adherence in Schizophrenia
Notice bibliographique
Résumé
Schizophrenia is a chronic, debilitating and costly illness. The course of illness is often exacerbated by relapses which are associated with negative outcomes including rehospitalisation. The most important risk factor associated with relapse is medication nonadherence. Medication nonadherence is not specific to schizophrenia and is an issue across all of medicine. The objective of this paper is to present a narrative review which synthesizes the rates and predictors of medication nonadherence, as well as associated interventions, across schizophrenia, first episode psychosis and general medicine. Given the breadth of these topics, this paper does not aim to present a complete review of the data but rather a concise synthesis of several lines of research in order to provide a general framework for approaching this important topic. Overall, this paper identifies that rates and risk factors of nonadherence in schizophrenia are similar to those reported in general medicine. Rates of adherence are estimated at 50% for both. Predictors of nonadherence were also quite similar between various illnesses, with lack of insight, poor family support and substance abuse often being highlighted. Well studied approaches of improving adherence include simplifying medication regimens, psychoeducation, engaging family support and use of long-acting injectable antipsychotics. Emerging interventions included text-message reminders, financial incentives and MyCite technology. Additionally, several evidence based interventions were identified in general medicine that may have applicability in schizophrenia and first episode psychosis. Lastly, avenues of future research were identified including the need to further characterize the dichotomy between adherence, partial adherence and nonadherence.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
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 ».