Adherence to levetiracetam for management of epilepsy: Assessment with electronic monitors
Notice bibliographique
Résumé
INTRODUCTION: Anti-seizure medications are used to manage epilepsy and require long-term adherence to maintain therapeutic drug levels. We assessed adherence to levetiracetam and the use of a digital intervention to improve adherence in patients with epilepsy. METHODS: 30 participants with epilepsy were randomized 1:1 either to a digital email adherence intervention or control group. All patients were provided levetiracetam equipped with electronic monitoring caps to assess patient adherence to medication. Patients were followed for 6 months, with return visits at 1 month, 3 months, and 6 months. RESULTS: Subjects randomized to the control arm (n = 15) took 66% of the prescribed doses compared to the intervention group, who took 65% of prescribed doses (n = 15). Nine participants did not complete the study. Of the twenty-one participants that completed the study, the overall rate of adherence was 72% of prescribed doses taken. Two subjects in the control group and three subjects in the intervention group were adherent every month of the study-taking at least 80% of prescribed doses. Those randomized to the control group took the correct number of doses 44% of days in the study, and those in the intervention group took the correct number of doses 37% of days. DISCUSSION: Poor adherence to levetiracetam is common. An internet-based email survey intervention did not improve adherence to levetiracetam in epilepsy patients. Further advances in adherence are needed to help patients receive the maximum benefit of their medical treatments.
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 | 0,000 | 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) | 0,000 | 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 ».