Primary medication nonadherence in a large primary care population
Notice bibliographique
Résumé
OBJECTIVE: To analyze primary medication nonadherence across several prescription indications and test the predictors of drug nonadherence in an adult primary care population. DESIGN: Retrospective observational study using primary care provider prescriptions linked to pharmacy-based dispensing data from 2012 to 2014. SETTING: Manitoba. PARTICIPANTS: Patients in the Manitoba Primary Care Research Network. MAIN OUTCOME MEASURES: Prevalence of primary medication nonadherence by drug class. Multivariable logistic regression models were used to test the associations of patient demographic and clinical or provider characteristics with primary medication nonadherence. The C statistic was used to assess the models' discriminative performance. RESULTS: A total of 91,660 unique prescriptions were assessed from a cohort of more than 200,000 patients. Primary medication nonadherence ranged from 13.7% (antidepressants) to 30.3% (antihypertensives). In conditions that typically present symptomatically (eg, infections, anxiety) nonadherence ranged from 13.7% to 17.5%. The range was 21.2% to 30.0% for medications related to asymptomatic conditions or those typically detected by screening. The discriminative performance of the models based on patient demographic, clinical, or provider characteristics was weak. CONCLUSION: Primary medication nonadherence is common, occurring more often in asymptomatic conditions. The poor predictability of the models suggests that caution is required when considering characteristic-based interventions or prediction tools to improve primary medication nonadherence.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».