Medication adherence, medication beliefs and social supportamong illiterate and low-literate community-dwelling olderadults with polypharmacy
Notice bibliographique
Résumé
analysis, D -data interpretation, E -Manuscript preparation, F -literature search, G -funds CollectionBackground. polypharmacy can be an area of concern for the older population.a set of internal and external factors determine the degree of adherence to treatment in older adults.Objectives.We aimed to investigate whether medication belief and social support, taking into account the role of socio-demographic and clinical factors, are predictors of medication adherence among illiterate, low-literate community-dwelling older adults with polypharmacy.Material and methods.a cross-sectional study was conducted in the health centres of tabriz-iran in 2022.the data was collected using the socio-demographic and clinical questionnaires, Morisky, Green and levine's adherence scale, belief about Medicines Questionnaire (bMQ) and the Multidimensional scale of perceived social support (Mspss).hierarchical Multiple linear regression analysis was used to identify medication adherence predictors based on a conceptual framework.Results. the final sample size was 318 people.the results showed that age, education years, medication satisfaction, side effects of medications, doctor checkups, medication belief and social support were significant predictors of medication adherence.the necessity part of medication belief had a negative significant relationship, and the concern part had a positive significant relationship with medication adherence.Conclusions.a strong belief along with sufficient social support could be a good predictor of medication adherence.the results showed that elementary education has a positive relationship with people's medication adherence, even among low-literacy populations.the development of literacy movement programmes within communities to promote primary education among illiterate older adults is recommended.our findings also highlight the importance of improving patient-physician communication skills and clear communication in the formation of patients' behaviour.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».