The Role of Clinical Pharmacist in Pediatrics’ Adherence to Antiepileptic Drugs
Notice bibliographique
Résumé
Background: Rate of nonadherence to antiepileptic drugs (AEDs) in children is about 33%. Engaging clinical pharmacists in the management of patients has proved to increase adherence to medications which will improve the outcomes of treatment. Objectives: To investigate the effect of a clinical pharmacist-led education on the adherence to AEDs in pediatric patients with epilepsy. Secondary outcomes include effectiveness and safety of AEDs, satisfaction with information about AEDs provided to the caregivers, and patients quality of life (QoL). Methods: This was an interventional study where pediatric patients were randomly assigned to the intervention (n = 41) or the control (n = 40) group. A 30-minute clinical pharmacist-led educational interview to the parent/caregiver was provided to the first group as add-on to standard medical care received by latter. Outcomes were measured at baseline and after 8-week follow-up. Results: The intervention group had an increase in mean adherence score from 6 ± 1.09 at baseline to 7.6 ± 0.9 at follow-up ( P value < 0.001), while the control group had no significant change ( P value > 0.05), the difference between the 2 groups at follow-up was significant ( P value < 0.0001). No significant difference was observed between groups at follow-up with regard to effectiveness ( P value > 0.05), and safety ( P value = 0.08). While higher satisfaction with information ( P value < 0.0001), and higher QoL ( P value < 0.05) was observed in the intervention group. Conclusion and relevance: Clinical pharmacist-led education had a positive outcome on pediatric patients with epilepsy with regard to adherence, effectiveness, safety, satisfaction with information about AEDs, and QoL.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».