Adherence to oral anticoagulants among patients with atrial fibrillation: a systematic review and meta-analysis of observational studies
Notice bibliographique
Résumé
INTRODUCTION: Medications cannot exert their effect if not taken as prescribed by patients. Our objective was to summarise the observational evidence on adherence to oral anticoagulants (OACs) among patients with atrial fibrillation (AF). METHODS: In March 2019, we systematically searched PubMed/Medline, Embase, CINAHL and PsycINFO (from inception) for observational studies measuring adherence, its determinants and impacts in patients with AF. Mean adherence measures and corresponding proportions of adherent patients were pooled using random effects models. Factors shown to be independently associated with adherence were extracted as well as the clinical and economic outcomes of adherence. RESULTS: We included 30 studies. Pooled mean adherence scores of over half a million patients with AF 6 months and 1 year after therapy initiation were 77 (95% CI: 74-79) and 74 (68-79) out of 100, respectively. Drug-specific pooled mean adherence score at 6 months and 1 year were as follows: rivaroxaban: 78 (73-84) and 77 (69-86); apixaban: 77 (75-79) and 82 (74-89); dabigatran: 74 (69-79) and 75 (68-82), respectively. There was inadequate information on warfarin for inclusion in meta-analysis.Factors associated with increased adherence included: older age, higher stroke risk, once-daily regimen, history of hypertension, diabetes or stroke, concomitant cardiovascular medications, living in rural areas and being an experienced OAC user. Non-adherent patients were more likely to experience stroke and death, and incurred higher medical costs compared with patients with poor adherence. CONCLUSIONS: Our findings show that up to 30% of patients with AF are non-adherent, suggesting an important therapeutic challenge in this patient population.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».