Directly Observed Therapy to Measure Adherence to Tuberculosis Medication in Observational Research: Protocol for a Prospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: A major challenge for prospective, clinical tuberculosis (TB) research is accurately defining a metric for measuring medication adherence. OBJECTIVE: We aimed to design a method to capture directly observed therapy (DOT) via mobile health carried out by community workers. The program was created specifically to measure TB medication adherence for a prospective TB cohort in Western Cape Province, South Africa. METHODS: Community workers collect daily adherence data on mobile smartphones. Participant-level adherence, program-level adherence, and program function are systematically monitored to assess DOT program implementation. A data dashboard allows for regular visualization of indicators. Numerous design elements aim to prevent or limit data falsification and ensure study data integrity. RESULTS: The cohort study is ongoing and data collection is in progress. Enrollment began on May 16, 2017, and as of January 12, 2021, a total of 236 participants were enrolled. Adherence data will be used to analyze the study's primary aims and to investigate adherence as a primary outcome. CONCLUSIONS: The DOT program includes a mobile health application for data collection as well as a monitoring framework and dashboard. This approach has potential to be adapted for other settings to improve the capture of medication adherence in clinical TB research. TRIAL REGISTRATION: Clinicaltrials.gov NCT02840877; https://clinicaltrials.gov/ct2/show/NCT02840877.
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 | 0,121 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,012 |
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 ».