Quality of life and its association with comorbidities and adverse events from antiepileptic medications: Online survey of patients with epilepsy in Australia
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to explore the quality of life (QoL) of adult patients with epilepsy (PwE) in Australia and its relationship with comorbidities and adverse events (AEs) from antiepileptic drugs (AEDs). METHODS: Cross-sectional surveys were completed by PwE, or carer proxies, recruited via the online pharmacy application MedAdvisor and Australian PwE Facebook groups from May to August 2018. Data were collected on demographics, epilepsy severity and management, AEs, comorbidities, and QoL (using the Patient-Weighted Quality of Life in Epilepsy Inventory [QOLIE-10-P] total score). Two linear regression models were constructed to explore associations between AEs or comorbidities and QOLIE-10-P score, with possible confounders determined using stepwise selection. RESULTS: Nine hundred and seventy-eight of 1267 responses were eligible (mean age of respondents: 44.5 years, 64% female, 52% employed). Recent AED use was reported by 97%; 47% were on AED monotherapy, 35% had ≤2 lifetime AEDs, and 55% were seizure-free for >1 year. After stepwise selection, control variables included in both models were time since diagnosis, employment status, seizure frequency, number of currently prescribed AEDs, and number of general practitioner (GP) visits per year. In the model for comorbidities, "psychiatric disorders" was associated with the largest QOLIE-10-P score decrease (-23.14, p < 0.001). In the model for AEs, which additionally controlled for depression and anxiety disorder, self-reported "memory problems" was associated with the largest decrease in QOLIE-10-P score (-14.27, p < 0.001). CONCLUSIONS: In this survey of Australian PwE, many of whom had relatively well-controlled epilepsy, psychiatric and self-reported memory problems were common and associated with the greatest detrimental impact on QoL. Further research is needed to better understand the underlying causes of impaired QoL and thereby improve its management.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».