Prevalence and predictors of primary nonadherence to medications prescribed in primary care
Notice bibliographique
Résumé
BACKGROUND: Most research on medication adherence has focused on secondary nonadherence and persistence to therapy. Medication prescriptions that are never filled by patients (primary nonadherence) remain understudied in the general population. METHODS: We linked prescribing data from primary care electronic medical records to comprehensive pharmacy dispensing claims between January 2013 and April 2019 in British Columbia (BC) to estimate primary nonadherence, defined as failure to dispense a new medication or its equivalent within 6 months of the prescription date. We used hierarchical multivariable logistic regression to determine prescriber, patient and medication factors associated with primary nonadherence among community-dwelling patients in primary care. RESULTS: Among 150 565 new prescriptions to 34 243 patients, 17% of prescriptions were never filled. Primary nonadherence was highest for drugs prescribed mostly on an as-needed basis, including topical corticosteroids (35.1%) and antihistamines (23.4%). In multivariable analysis, primary nonadherence was lower for prescriptions issued by male prescribers (odds ratio [OR] 0.66, 95% confidence interval [CI] 0.50-0.88). Primary nonadherence decreased with patient age (OR 0.91, 95% CI 0.90-0.92 for each additional 10 years) but increased with polypharmacy among patients aged 65 years or older. Patients filled more than 82% of their medication prescriptions within 2 weeks after their primary care provider visit. INTERPRETATION: The prevalence of primary nonadherence to new prescriptions was 17%. Interventions to address primary nonadherence could target older patients with multiple medication use and within the first 2 weeks of the prescription issue date.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».