An innovative SMS intervention to improve adherence to stimulants in children with ADHD: Preliminary findings
Notice bibliographique
Résumé
BACKGROUND: Although large datasets document that stimulants decrease the risk for many adverse ADHD-associated outcomes, compliance with stimulants remains poor. AIMS: This study examined the effectiveness of a novel ADHD-centric text messaging-based intervention aimed to improve adherence to stimulant medications in children with ADHD. METHODS: Subjects were 87 children aged 6-12, who were prescribed a stimulant medication for ADHD treatment. Prescribers gave permission to contact their patients for participation in the study. Subjects were primarily from the primary care setting with a subsample of psychiatrically referred subjects for comparison. Age- and sex-matched comparators were identified (3:1) from the same pool of prescriber-approved subjects that did not participate. Timely prescription refills (within 37 days) were determined from prescription dates documented in patients' electronic medical record. RESULTS: < 0.001). The number needed to treat statistic was computed as five, meaning for every five patients who receive the SMS intervention, we can keep one adherent to their stimulant treatment. CONCLUSIONS: These preliminary findings support the potential utility of a readily accessible technology to improve the poor rate of adherence to stimulant treatment in children with ADHD. To the best of our knowledge, this study is the first digital health intervention aimed at improving adherence to stimulant medication for children with ADHD. These results support the need for further examination of this technology through more definitive randomized clinical trials.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».