Predicting adherence to therapy in rheumatoid arthritis, psoriatic arthritis or ankylosing spondylitis: a large cross-sectional study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective This analysis explored the association of treatment adherence with beliefs about medication, patient demographic and disease characteristics and medication types in rheumatoid arthritis (RA), psoriatic arthritis (PsA) or ankylosing spondylitis (AS) to develop adherence prediction models. Methods The population was a subset from ALIGN, a multicountry, cross-sectional, self-administered survey study in adult patients (n=7328) with six immune-mediated inflammatory diseases who were routinely receiving systemic therapy. Instruments included Beliefs about Medicines Questionnaire (BMQ) and 4-item Morisky Medication Adherence Scale (MMAS-4 © ), which was used to define adherence. Results A total of 3390 rheumatological patients were analysed (RA, n=1943; PsA, n=635; AS, n=812). Based on the strongest significant associations, the adherence prediction models included type of treatment, age, race (RA and AS) or disease duration (PsA) and medication beliefs (RA and PsA, BMQ-General Harm score; AS, BMQ-Specific Concerns score). The models had cross-validated areas under the receiver operating characteristic curve of 0.637 (RA), 0.641 (PsA) and 0.724 (AS). Predicted probabilities of full adherence (MMAS-4 © =4) ranged from 5% to 96%. Adherence was highest for tumour necrosis factor inhibitors versus other treatments, older patients and those with low treatment harm beliefs or concerns. Adherence was higher in white patients with RA and AS and in patients with PsA with duration of disease <9 years. Conclusions For the first time, simple medication adherence prediction models for patients with RA, PsA and AS are available, which may help identify patients at high risk of non-adherence to systemic therapies. Trial registration number ACTRN12612000977875.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découle