The Pharmacist Role In Improving Medication Adherence In Dialysis Patients: A Systematic Review
Notice bibliographique
Résumé
End-stage renal disease (ESRD) is a worldwide concern in this latest generation as the prevalence had been in an increasing trend. This research aims to evaluate the impact of pharmacist interventions on medication adherence and factors related to medications non-adherence among hemodialysis (HD) patients. A literature search was conducted using search engines PubMed, Cochrane Library and ScienceDirect to identify studies that investigate the pharmacist interventions on medication adherence and factors related to medication non-adherence among HD patients. Based on the study objective a qualitative assessment of the final selected articles was made. The quality of the included studies was assessed using the Newcastle-Ottawa scale. Seven studies met the inclusion criteria. The summed overall quality using the Newcastle-Ottawa scale of all the selected paper was good. The majority of the studies were conducted as prospective study design. More than half of the studies (71%) utilized subjective measure which is self-reporting with a validated questionnaire such as Medication Adherence Report Scale (MARS), Brief Medication Questionnaire (BMQ) and Morisky 8-item Medication Adherence Scale (MMAS-8) to measure participants adherence. The selected papers have shown that poor medication knowledge as the main factor for non-adherence towards medications. The most common reported pharmaceutical care done by the pharmacist to improve medication adherence is by providing medication counselling. All the studies demonstrate the positive impact of pharmacist involvement in HD patients to enhance medication adherence. All identified studies prove that clinical pharmacists could play an important role in educating patients which helps them to have a positive attitude towards medications.
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 | 0,013 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».