Adherence to Non-Pharmacological Interventions in Parkinson’s Disease: A Rapid Evidence Assessment of the Literature
Notice bibliographique
Résumé
Background: Low adherence to non-pharmacological interventions can impact treatment effectiveness. Yet, there is limited information on adherence barriers and facilitators to non-pharmacological interventions in Parkinson's disease (PD). Objective: 1) To examine the quality of adherence reporting and 2) to identify key determinants of adherence to PD non-pharmacological interventions. Methods: A rapid evidence assessment was conducted, following PRISMA guidelines, that included controlled studies of exercise, physiotherapy, occupational therapy, speech-language therapy with explicit reporting of 'adherence' OR 'compliance', published in the last 15 years. Data extracted included: adherence rates, adherence outcomes, and factors associated with adherence. A collaborative thematic analysis was conducted to identify determinants of adherence. Results: The search yielded 2,445 articles of which 114 met criteria for full screening with 45 studies meeting all inclusion criteria. High quality adherence data that aligned with the intervention goals were reported by 22.22%(N = 10) of studies, with the majority reporting attendance/attrition rates only 51.11%(N = 23). Four major themes (34 subthemes) emerged: disease and health, personal, program design, and system and environmental. Conclusions: There has been limited progress in the quality of adherence reporting in PD non-pharmacological interventions over the last decade. Acknowledging this limitation, key determinants of adherence included: alignment with personal beliefs, attitudes, and expectations; the demands of the intervention and worsening disease symptoms and personal/time obligations; and accessibility and safety concerns. Program design elements found to facilitate adherence included: opportunities for social engagement and in-person offerings linked to higher levels of interventionist support, performative feedback, and social reinforcement.
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 | 0,113 | 0,242 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,009 |
| Bibliométrie | 0,037 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».