Factors impacting the medication “Adherence Landscape” for transplant patients
Notice bibliographique
Résumé
BACKGROUND: Medication non-adherence contributes to post-transplant graft rejection and failure; however, limited knowledge about the reasons for non-adherence hinders the development of interventions to improve adherence. We conducted focus groups with solid organ transplant recipients regarding overlooked challenges in the process of transplant medication self-management and examined their adherence strategies and perceptions towards the post-transplant medication regimen. METHODS: We conducted four focus groups with n = 31 total adult transplant recipients. Participants had received kidney, liver, or combined liver/kidney transplant at Johns Hopkins Hospital between 2014 and 2019. Focus groups were audio-recorded and transcribed. Transcripts were analyzed inductively, using the constant comparative method. RESULTS: Responses generally fell into two major categories: (1) barriers to adherence and (2) "adherence landscape". We define the former as factors directly labeled as barriers to adherence by participants and the latter as factors that heavily influence the post-transplant medication self-management process. CONCLUSIONS: We propose a shift in the way healthcare providers and researchers, address the question of medication non-adherence. Rather than asking why patients are non-adherent, we suggest that constructing and understanding patients' "adherence landscape" will provide an optimal way to align the goals of patients and providers and boost health outcomes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».