Patient Preferences in the Management of Wet Age-Related Macular Degeneration: A Conjoint Analysis
Notice bibliographique
Résumé
INTRODUCTION: To identify patient preference drivers related to the management of wet age-related macular degeneration (wet AMD). METHODS: In this cross-sectional study, a self-explicated 'conjoint analysis' survey was administered online to eligible patients with wet AMD (receiving anti-vascular endothelial growth factor [VEGF] treatment for at least 12 months) from the USA, Canada, UK, France, Spain, Germany, Italy, Japan, Taiwan, and Australia. The survey consisted of six domains with 21 attributes, which were selected on the basis of a literature review, social media listening, and tele-interviews/discussions with patients, clinical experts, and patient groups. Utility and relative importance scores were generated for each attribute and utility difference significance testing was performed using 'unequal variances t tests'. The Patient Activation Measure (PAM-13) questionnaire was administered to assess patients' knowledge, skill, and confidence in self-management. RESULTS: A total of 466 patients (mean age, 68 years; women, 54%; binocular wet AMD, 28%) with an average anti-VEGF treatment duration of 3.9 years completed the survey. The most important preference domains were 'treatment effects on vision' (non-significant) and 'vision-related symptom burdens' (p < 0.001), followed by 'treatment risk' (p < 0.05), 'impact on daily activities' (p < 0.05), 'burden of clinic/hospital visits' (p < 0.001), and 'impact on psychological well-being'. The five most important attributes in order of importance were clarity of vision, treatment effect on symptoms, quality of vision, time to treatment effect, and time to re-administration. The two most important attributes globally were also in the top three attributes across countries. The majority of participants in the study were level 3 or level 4 of the PAM-13 questionnaire. CONCLUSIONS: This study identified the most important disease and treatment attributes to patients using patient-centred methods. The data showed the degree of harmonization of preferences across geographies and that participants actively adopt behaviours required for improved treatment outcomes. The identified preference drivers may inform future clinical development.
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) | 0,001 | 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 ».