Primary drug non-adherence in dermatology patients: prevalence, pattern and reasons
Notice bibliographique
Résumé
<p class="abstract"><strong>Background:</strong> Primary drug non-adherence, a pervasive problem in dermatology is not readily documented despite the adverse effect of this phenomenon on the management of patients. The aim of the study was to document the prevalence, pattern and reasons for primary drug non-adherence in dermatology patients.</p><p class="abstract"><strong>Methods:</strong> This prospective cross-sectional questionnaire based study was conducted from June to December 2021 amongst 302 consecutive consenting adult patients returning to the dermatology clinic following an initial diagnosis and a prescription for medications. Data collected included socio-demographic parameters, primary drug adherence, and number of drugs prescribed, number not purchased, and reason for non-adherence. Data analysis was done in R Studio [R Core Team (2021)].<strong></strong></p><p class="abstract"><strong>Results:</strong> Three hundred and two (302) patients aged 13 to 87 years with a mean age of 41.72±18.8 years were recruited into the study. Prevalence of primary non-drug adherence was 26.2% (79/302). Amongst the non-adherent patients; 73.4% were females and 26.6% were males. The reasons for non-drug adherence ranged from non-availability of drug (63.3%) to patient forgetting about the prescription. (1.3%). Route of drug not adhered to was Topical in 72%, Oral in 22.7%, oral and topical in 5.3.</p><p class="abstract"><strong>Conclusions:</strong> Primary drug non-adherence is common with dermatology patients. The propensity for primary non-drug adherence is increased when the number of drugs prescribed are more than three. Dermatologists need to consider the use of drugs capable of addressing multiple symptoms and thereby reduce the number of drugs prescribed. </p><p class="abstract"> </p>
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».