Investigation of Intervention Solutions to Enhance Adherence to Oral Anticancer Medicines in Adults: Overview of Reviews
Notice bibliographique
Résumé
BACKGROUND: Adherence to anticancer medicines is critical for the success of cancer treatments; however, nonadherence remains challenging, and there is limited evidence of interventions to improve adherence to medicines in patients with cancer. OBJECTIVE: This overview of reviews aimed to identify and summarize available reviews of interventions to improve adherence to oral anticancer medicines in adult cancer survivors. METHODS: A comprehensive search of 7 electronic databases was conducted by 2 reviewers who independently conducted the study selection, quality assessment using the A Measurement Tool to Assess Systematic Reviews 2, and data extraction. The PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 2020 checklist was adapted to report the results. RESULTS: A total of 29 reviews were included in the narrative synthesis. The overall quality of the systematic reviews was low. The 4 main strategies to promote adherence were focused on education, reminders, behavior and monitoring, and multicomponent approaches. Digital technology-based interventions were reported in most reviews (27/29, 93%). A few interventions applied theories (10/29, 34%), design frameworks (2/29, 7%), or engaged stakeholders (1/29, 3%) in the development processes. The effectiveness of interventions was inconsistent between and within reviews. However, interventions using multiple strategies to promote adherence were more likely to be effective than single-strategy interventions (12/29, 41% reviews). Unidirectional communication (7/29, 24% reviews) and technology alone (11/29, 38% reviews) were not sufficient to demonstrate improvement in adherence outcomes. Nurses and pharmacists played a critical role in promoting patient adherence to oral cancer therapies, especially with the support of digital technologies (7/29, 24% reviews). CONCLUSIONS: Multicomponent interventions are potentially effective in promoting patient adherence to oral anticancer medicines. The seamless integration of digital solutions with direct clinical contacts is likely to be effective in promoting adherence. Future research for developing comprehensive digital adherence interventions should be evidence-based, theory-based, and rigorously evaluated.
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 | 0,011 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,009 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 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 ».