Interventions to Improve Medication Adherence in Ethnically Diverse Patients: A Narrative Systematic Review
Notice bibliographique
Résumé
INTRODUCTION: Ethnically diverse patients often have lower medication adherence relative to Whites. Certain ethnic groups are also more susceptible to cardiovascular and related diseases. It is critical to develop culturally tailored interventions to improve medication adherence in these ethnically diverse patients. Thus, the aim of this systematic review was to identify what interventions have been developed and tested to improve medication adherence in ethnically diverse patients with cardiovascular-related diseases. METHOD: A systematic search of peer-reviewed literature (MEDLINE, Cumulative Index to Nursing and Allied Health Literature, EMBASE, and Cochrane Central Register of Controlled Trials) was conducted to identify relevant articles. The narrative synthesis was performed based on elements offered by Popay et al. The mixed methods appraisal tool was used to appraise the quality of the included studies. RESULTS: A total of 11,294 records were retrieved, and 34 articles met the inclusion criteria for this systematic review. Synthesis of the literature revealed four overarching intervention strategies used to improve medication adherence: pharmacist-mediated, primarily nurse-led, community-based and community-health worker led, and text-message and phone-based. DISCUSSION: Several approaches can be used to improve medication adherence in ethnically diverse patients, although details on the approaches and conditions to produce optimal improvements for particular ethnic groups need to be determined in future studies. How does this affect culturally congruent health care?
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) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».