Impact of a Theory-Based Intervention to Promote Medication Adherence in Patients With a History of Myocardial Infarction
Notice bibliographique
Résumé
BACKGROUND: Patient discontinuation of cardioprotective medications after a cardiac ischemic event commonly occurs early after hospital discharge. Theory-based interventions could be effective in promoting better patient self-regulation of health-related behaviors and positive intentions to adhere to the recommended medical regimen. OBJECTIVE: The aim of this study was to evaluate the potential efficacy and feasibility of a theory-based intervention to promote adherence to cardioprotective medications. METHODS: In this mixed-methods quasi-experimental study with 3 time points, we recruited 45 participants with a positive intention to adhere and a history of myocardial infarction. They were recruited in primary care units in Brazil. Data collection occurred in 2 waves (Tb and T60). The intervention consisted of developing action and coping plans, delivered in a 30-minute face-to-face session, with face-to-face reinforcement at a 30-day interval. Quantitative data were submitted to descriptive, Wilcoxon, and McNemar analyses; qualitative data were submitted to content analysis. RESULTS: An increase in the proportion of patients adhering to medications at the end of follow-up was found (T60 - Tb, +60.0%; P < .001). In addition, a significant reduction was found for blood pressure (T60 - Tb, -8.6 mm Hg; P < .001), heart rate (T60 - Tb, -6.6 bpm; P < .001), and low-density lipoprotein (T60 - Tb, -6.2 mg/dL; P < .05). Qualitative results revealed that the intervention was feasible, with an attrition rate of zero. The intervention was found to be easy to apply to patients' daily lives, and there was adequate time for implementation. CONCLUSIONS: Our data confirm the potential efficacy of a theory-based intervention on the promotion of adherence to cardioprotective medications and on the related clinical end points, as well as its feasibility in the clinical context (Universal Trial Number: U1111-1189-9967).
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».