Patient Adherence to Oral Anticancer Agents: A Mapping Review of Supportive Interventions
Notice bibliographique
Résumé
The development and use of oral anticancer agents (OAAs) continue to grow, and supporting individuals on OAAs is now a priority as they find themselves taking these drugs at home with little professional guidance. This mapping review provides an overview of the current evidence concerning OAA-supportive adherence interventions, identifying potential gaps, and making recommendations to guide future work. Four large databases and the grey literature were searched for publications from 2010 to 2022. Quantitative, qualitative, mixed-method, theses/dissertations, reports, and abstracts were included, whereas protocols and reviews were excluded. Duplicates were removed, and the remaining publications were screened by title and abstract. Full-text publications were assessed and those meeting the inclusion criteria were retained. Data extracted included the year of publication, theoretical underpinnings, study design, targeted patients, sample size, intervention type, and primary outcome(s). 3175 publications were screened, with 435 fully read. Of these, 314 were excluded with 120 retained. Of the 120 publications, 39.2% (n = 47) were observational studies, 38.3% (n = 46) were quasi-experimental, and 16.7% (n = 20) were experimental. Only 17.5% (n = 21) were theory-based. Despite the known efficacy of multi-modal interventions, 63.7% (n = 76) contained one or two modalities, 33.3% (n = 40) included 3, and 3.3% (n = 4) contained four types of modalities. Medication adherence was measured primarily through self-report (n = 31) or chart review/pharmacy refills (n = 28). Given the importance of patient tailored interventions, future work should test whether having four intervention modalities (behavioral, educational, medical, and technological) guided by theory can optimize OAA-related 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».