Interventions to Improve Medication Adherence in Patients with Schizophrenia or Bipolar Disorders: A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Adherence to prescribed medication regimes improves outcomes for patients with severe mental illness such as schizophrenia or bipolar disorders. The aim of this systematic review and meta-analysis was to compare the effectiveness among interventions to improve medication adherence in patients with schizophrenia or bipolar disorders. Literature published in the last decade was searched for interventions studies to improve adherence in patients with schizophrenia or a bipolar disorder. Interventions were categorised on the basis of type, and the context and effectiveness of the interventions were described. Two review authors independently extracted and assessed data, following criteria outlined by the Cochrane Handbook for Systematic Reviews of Interventions. The GRADEPro (McMaster University, 2020, Ontario, Canada) was used for assessing the quality of the evidence. Twenty-three publications met the selection criteria. Different types of interventions aiming to improve adherence were tested: educational, behavioural, family-based, technological, or a combination of previous types. Meta-analysis could be performed for 10 interventions. When considered separately by subgroups on the basis of intervention type, no significant differences were found in adherence among interventions (p = 0.29; I2 = 19.9%). This review concluded that successful interventions used a combination of behavioural and educational approaches that seem easy to implement in daily practice.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 ».