Understanding strategies to improve medication adherence among persons with type 2 diabetes: A scoping review
Notice bibliographique
Résumé
AIMS: The objectives of this scoping review were to: (1) identify the target audience and contexts in which strategies to improve type 2 diabetes mellitus (T2DM) medication adherence have been used, (2) provide an overview of behaviour change techniques (BCTs) used, (3) describe the determinants of behaviour targeted by strategies and (4) to identify current gaps in strategies. METHODS: A systemic search for articles related to T2DM, medication adherence and strategies was conducted in EMBASE, Ovid MEDLINE and Epub Ahead of Print, In-Process & Other Non-Indexed Citations and Daily using the OvidSP platform on 11 March 2021. All publications involving strategies to overcome medication non-adherence among adults with T2DM were included. Strategies were categorized according to the BCT taxonomy and the determinants of behaviour targeted by each strategy were classified by using the Theoretical Domains Framework (TDF). RESULTS: The search identified 58 articles and 61 strategies. The BCT categories Antecedents and Natural consequences and BCTs Feedback on outcome(s) of behaviour, Adding objects to the environment and Information about health consequences were identified most frequently as components of strategies resulting in statistically significant improvement in medication adherence. Strategies targeting the TDF domains Reinforcement and Beliefs about Consequences most often resulted in statistically significant improvements in adherence measures. CONCLUSIONS: The findings from this review identify BCTs and targeted behaviours with demonstrated success. Further exploration of the myriad of BCTs and the corresponding determinants of behaviour which were not accessed may be warranted for the development of future strategies to improve medication adherence in type 2 diabetes.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».