Comparison of measures of medication adherence from pharmacy dispensing and insurer claims data
Notice bibliographique
Résumé
OBJECTIVE: Medication nonadherence is linked to worsened clinical outcomes and increased costs. Existing system-level adherence interventions rely on insurer claims for patient identification and outcome measurement, yet suffer from incomplete capture and lags in data acquisition. Data from pharmacies regarding prescription filling, captured in retail dispensing, may be more efficient. DATA SOURCES: Pharmacy fill and insurer claims data. STUDY DESIGN: We compared adherence measured using pharmacy fill data to adherence using insurer claims data, expressed as proportion of days covered (PDC) over 12 months. Agreement was evaluated using correlation/validation metrics. We also explored the relationship between adherence in both sources and disease control using prediction modeling. DATA EXTRACTION METHODS: Large pragmatic trial of cardiometabolic disease in an integrated delivery network. PRINCIPAL FINDINGS: Among 1113 patients, adherence was higher in pharmacy fill (mean = 50.0%) versus claims data (mean = 47.4%), although they had moderately high correlation (R = 0.57, 95% CI: 0.53-0.61) with most patients (86.9%) being similarly classified as adherent or nonadherent. Sensitivity and specificity of pharmacy fill versus claims data were high (0.89, 95% CI: 0.86-0.91 and 0.80, 95% CI: 0.75-0.85). Pharmacy fill-based PDC predicted better disease control slightly more than claims-based PDC, although the difference was nonsignificant. CONCLUSIONS: Pharmacy fill data may be an alternative to insurer claims for adherence measurement.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 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 ».