Factors influencing medication adherence among patients with severe mental disorders from the perspective of mental health professionals
Notice bibliographique
Résumé
BACKGROUND: Medication adherence is a common issue influenced by various factors among patients with severe mental disorders worldwide. However, most literature to date has been primarily quantitative and has focused on medication adherence issue from the perspective of patients or their caregivers. Moreover, research focused on medication adherence issue in China is scarce. Present study aims to explore the influential factors of medication adherence among patients with severe mental disorders form the perspective of mental health professionals in Hunan Province, China. METHODS: A qualitative study was performed in Hunan Province, China with 31 mental health professionals recruited from October to November 2017. And semi-structured interviews or focus group interviews were conducted along with audio recordings of all interviews. Interview transcripts were then coded and analyzed in Nvivo software with standard qualitative approaches. RESULTS: Three major themes influencing medication adherence among patients with severe mental disorders were identified as: (1) attitudes towards mental disorder/treatment; (2) inadequate aftercare; (3) resource shortages. CONCLUSIONS: This qualitative study identified the factors influencing medication adherence among patients with severe mental disorders in China. As a locally driven research study, it provides practical advice on medication adherence promotion for mental health workers and suggests culturally tailored models that improve the management of patients with severe mental disorders in order to reduce economic burden on individual and societal level.
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 | 0,001 | 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) | 0,002 | 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 ».