Assessing the performance of group‐based trajectory modeling method to discover different patterns of medication adherence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is well known that medication adherence is critical to patient outcomes and can decrease patient mortality. The Pharmacy Quality Alliance (PQA) has recognized and identified medication adherence as an important indicator of medication-use quality. Hence, there is a need to use the right methods to assess medication adherence. The PQA has endorsed the proportion of days covered (PDC) as the primary method of measuring adherence. Although easy to calculate, the PDC has however several drawbacks as a method of measuring adherence. PDC is a deterministic approach that cannot capture the complexity of a dynamic phenomenon. Group-based trajectory modeling (GBTM) is increasingly proposed as an alternative to capture heterogeneity in medication adherence. The main goal of this paper is to demonstrate, through a simulation study, the ability of GBTM to capture treatment adherence when compared to its deterministic PDC analogue and to the nonparametric longitudinal K-means. A time-varying treatment was generated as a quadratic function of time, baseline, and time-varying covariates. Three trajectory models are considered combining a cat's cradle effect, and a rainbow effect. The performance of GBTM was compared to the PDC and longitudinal K-means using the absolute bias, the variance, the c-statistics, the relative bias, and the relative variance. For all explored scenarios, we find that GBTM performed better in capturing different patterns of medication adherence with lower relative bias and variance even under model misspecification than PDC and longitudinal K-means.
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.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle