Medication adherence in multiple sclerosis as a potential model for other chronic diseases: a population-based cohort study
Notice bibliographique
Résumé
OBJECTIVE: To determine whether better medication adherence in multiple sclerosis (MS) might be due to specialised disease-modifying drug (DMD) support programmes by: (1) establishing higher adherence in MS than in other chronic diseases and (2) determining if higher adherence is associated with patient-specific or treatment-specific factors. DESIGN: Retrospective cohort study with data from 1 January 1996 to 31 December 2015. SETTING: Population-based health administrative data from three Canadian provinces. PARTICIPANTS: Individual cohorts were created using validated case definitions for MS, epilepsy, Parkinson's disease (PD) and rheumatoid arthritis (RA). Subjects were included if they received ≥1 dispensation for a disease-related drug between 1 January 1997 and 31 December 2014. MAIN OUTCOME MEASURES: Proportion of subjects with optimal adherence (≥80%) measured by the medication possession ratio 1 year after the index date (first dispensation of disease-related drug). RESULTS: 126 478 subjects were included in the primary analysis (MS, n=6271; epilepsy, n=55 739; PD, n=21 304; RA, n=43 164). Subjects with epilepsy (adjusted OR, aOR 0.29; 95% CI 0.19 to 0.45), PD (aOR 0.42; 95% CI 0.29 to 0.63) or RA (aOR 0.26; 95% CI 0.19 to 0.35) were less likely to have optimal 1-year adherence compared with subjects with MS. Within the MS cohort, adherence was higher for DMD than for chronic-use non-MS medications, and no consistent patient-related predictors of adherence were observed across all four non-MS medication classes, including having optimal adherence to DMD. CONCLUSIONS: Subjects with MS were significantly more likely to have optimal 1-year adherence than subjects with epilepsy, RA and PD, and optimal adherence appears related to treatment-specific factors rather than patient-related factors. This supports the hypothesis that higher adherence to the MS DMDs could be due to the specialised support programmes; these programmes may serve as a model for use in other chronic conditions.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».