Effect of motor, non-motor clinical features including sleep quality, and prescription pattern on adherence to antiparkinsonian medications in Parkinson’s disease
Notice bibliographique
Résumé
Objectives: Adherence to antiparkinsonian medications (APMs) may significantly influence Parkinson’s disease (PD) outcome. The present study assesses the role of motor and non-motor features, and prescription patterns on adherence. Materials and Methods: This observational and cross-sectional study included 50 PD patients taking APMs for ≥24 months. Demographic data, PD characteristics, treatment, and follow-up history were collected. Patients following up at least once in six months were considered as regular, else were labeled irregular. Montreal cognitive assessment, patient health questionnaire-4, Pittsburgh sleep quality (SQ) index, Epworth sleepiness scale, global quality of life (GQOL) scale, and Morisky Green Levine medication adherence scale (MGL-MAS) were used to evaluate cognition, depressive and anxiety features, SQ, excessive daytime sleepiness (EDS), quality of life (QOL), and APMs adherence, respectively. Results: Nearly half (46%) of the PD patients reported high adherence (MGL-MAS = 0). Most of the clinical characteristics were comparable between those with medium/low and high adherence, except for a larger proportion of patients in the medium/low adherence group belonging to Hoehn–Yahr stage >2 (P = 0.02). A comparable proportion of patients in both groups reported poor SQ (P = 0.52) and EDS (P = 0.32). In comparison to the high adherence group, a significantly lower median GQOL score was observed in the medium/low adherence group (median [interquartile range] = 65 [50–70] vs. 80 [70–85]; P < 0.001). The APMs prescription and follow-up patterns were comparable between both groups. Conclusion: More than half the PD patients reported medium-to-low adherence. While motor severity and depressive symptoms were associated with medium-to-low adherence, poor SQ was comparable in both groups. Those with medium-to-low adherence reported poor QOL.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 ».