Prevalence of and factors associated with primary medication non‐adherence in chronic disease: A systematic review and meta‐analysis
Notice bibliographique
Résumé
BACKGROUND: Primary medication non-adherence (PMN), defined as failure to obtain newly prescribed medications, results in adverse clinical and economic outcomes. We aimed to (a) assess the prevalence of PMN in six common chronic diseases: asthma and/ or chronic obstructive pulmonary disease, depression, diabetes mellitus, hyperlipidaemia, hypertension and osteoporosis; (b) identify and categorise factors associated with PMN; (c) explore characteristics that contributed to heterogeneity between studies. METHODS: We performed a systematic search in MEDLINE, Embase, Cochrane Library, CINAHL and PsycINFO. Studies published in English between January 2008 and August 2018 assessing PMN in subjects aged ≥18 years were included. We used the Cochrane risk of bias tool, Newcastle-Ottawa Scale and National Heart, Lung and Blood Institute Quality Assessment Tool to assess the quality of randomised controlled trials, cohort and cross-sectional studies, respectively. Findings were reported using the PRISMA checklist. PMN rates were pooled using a random effects model. We summarised factors associated with PMN descriptively. Subgroup analysis was performed to explore sources of heterogeneity. RESULTS: We screened 3083 articles and included 33 (5 randomised controlled trials, 26 cohort and 2 cross-sectional studies, n = 539 156), of which 31 (n = 519 971) were used in meta-analysis. The pooled PMN rate was 17% (95% CI: 15%-20%). Pooled PMN rates were highest in osteoporosis (25%, 95% CI: 7%-44%) and hyperlipidaemia (25%, 95% CI: 18%-32%) and lowest in diabetes mellitus (10%, 95% CI: 7%-12%). Factors commonly associated with PMN include younger age, number of concurrent medications, practitioner specialty and higher co-payment. Type of chronic disease, age, study setting and PMN definition contributed to heterogeneity between studies (all P < 0.001). CONCLUSION: Primary medication non-adherence is common among patients with chronic diseases and more needs to be done to address this issue in order to improve patient outcomes. Future PMN studies could benefit from greater standardisation to enhance comparability.
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 | 0,022 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,019 | 0,042 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».