Adherence to Medication in Neurogeriatric Patients: Insights from the NeuroGerAd Study
Notice bibliographique
Résumé
Nonadherence to medication is associated with increased morbidity, mortality, and healthcare costs, especially in older adults with higher chances of multimorbidity. However, comprehensive data on factors influencing adherence in this patient group are rare. Thus, data for 910 patients were acquired, including demographic data, nonadherence (Stendal Adherence to Medication), depression (Beck Depression Inventory), cognition (Montreal Cognitive Assessment), personality (Big Five Inventory), satisfaction with healthcare (Health Care Climate Questionnaire), quality of life (36-item Short Form Survey), mobility, diagnoses, and medication. Elastic net regularization was used to analyze the predictors of adherence. Principal component and general estimation equations were calculated to analyze the underlying patterns of adherence. Only 21.1% of patients were fully adherent. Nonadherence was associated with male gender, higher number of medications, diagnosis, depression, poor patient-physician relationship, personality, impaired cognition, and impaired mobility. Nonadherence was classified into three sub-factors: forgetting (46.2%), missing knowledge about medication (29%), and intentional modification of medication (24.8%). While depression exerted the strongest influence on modification, a high number of medications was associated with missing knowledge. The different patterns of nonadherence (i.e., modification, missing knowledge, and forgetting) are influenced differently by clinical factors, indicating that specific approaches are needed for interventions targeting adherence.
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 | 0,007 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».