Impact of Psychiatric Diagnosis and Treatment on Medication Adherence in Youth With Systemic Lupus Erythematosus
Notice bibliographique
Résumé
OBJECTIVE: Youth with systemic lupus erythematosus (SLE) experience high rates of psychiatric comorbidities, which may affect medication adherence. We undertook this study to examine the association between psychiatric disorders and hydroxychloroquine adherence and to determine whether psychiatric treatment modifies this association. METHODS: We identified incident hydroxychloroquine users among youth with SLE (ages 10-24 years) using de-identified US commercial insurance claims in Optum Clinformatics Data Mart (2000-2016). Adherence was estimated using medication possession ratios (MPRs) over a 365-day time period. Multivariable linear regression models were used to estimate the effect of having any psychiatric disorder on MPRs, as well as the independent effects of depression, anxiety, adjustment, and other psychiatric disorders. We tested for interactions between psychiatric diagnoses and treatment with psychotropic medications or psychotherapy. RESULTS: Among 873 subjects, 20% had a psychiatric diagnosis, most commonly depression. Only adjustment disorders were independently associated with decreased MPRs (β -0.12, P = 0.05). We observed significant crossover interactions, in which psychiatric disorders had opposite effects on adherence depending on the receipt of psychiatric treatment. Among youth with any psychiatric diagnosis, psychotropic medication use was associated with a 0.15 increase in the MPR compared with no psychotropic medication use (P = 0.02 for interaction). Among youth with depression or anxiety, psychotherapy was also associated with a higher MPR compared with no psychotherapy (P = 0.05 and P < 0.01 for interaction, respectively). CONCLUSION: The impact of psychiatric disorders on medication adherence differed by whether youth had received psychiatric treatment. Improving recognition and treatment of psychiatric conditions may increase medication adherence in youth with SLE.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».