Factors Associated with Poor Eye Drop Administration Technique and the Role of Patient Education among Hong Kong Elderly Population
Notice bibliographique
Résumé
Objectives. To identify the risk factors for poor eye drop application technique in treatment-naïve subjects and to assess if patient education can benefit these subjects. Methods. Chinese subjects above 60 years were recruited. Questionnaires, including Barthel index; Lawton’s instrumental activities of daily living (ADL); Fatigue, Resistance, Ambulation, Illnesses, and Loss of Weight (FRAIL) scale; and Montreal Cognitive Assessment (MoCA), were used to correlate with eye drop application technique (before and after patient education) using Spearman correlation analysis. A multiple linear regression was conducted to determine the predictors of successful administration technique and the improvement of technique after education. Results. The data from 26 subjects (mean age 72) were analyzed. Eye drop instillation technique score improved from 5.42 at baseline to 7.33 after clear instructions. FRAIL score was an independent predictor of baseline score ( p=0.003 ), as well as the improvement after patient education ( p=0.012 ). Age, sex, education level, visual acuity, Barthel index, MoCA, and ADL score were not correlated with eye drop instillation technique, before nor after patient education. Discussion. In patients with poor functional status as reflected by FRAIL score, eye drop application is prone to be ineffective. Education with step-by-step instructions could effectively improve the success of eye drop application.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».