Medication non-adherence among outpatients with myocardial infarction: A hospital-based study
Notice bibliographique
Résumé
BackgroundDespite the availability of effective medications for the treatment of myocardial infarction (MI), treatment outcomes are suboptimal due to medication non-adherence. The aim of this study was to assess medication adherence and its associated factors among patients with MI.MethodsThis cross-sectional study was conducted on outpatients with MI in the cardiology clinic at a major hospital in Jordan. Medication adherence was assessed using the validated Arabic version of the 4-item Medication Adherence Scale. Ordinal regression was conducted to identify the variables associated with medication non-adherence.ResultsA total of 333 patients participated in the study. The median age was 58 years (57–60). Medication non-adherence was expressed by 54.6 % of the participants. Having less than college/university education (Coefficient = −0.625, 95%Cl (−1.191 to −0.06), P = 0.03) and increased medication-related concerns (Coefficient = −0.065, 95 % Cl (−0.126 to −0.003), P = 0.04) were associated with decreased medication adherence. Other factors, including having no family history of cardiovascular disease (CVD) (Coefficient = 0.757, 95%Cl (0.218–1.295), P = 0.006) and increased medication necessity (Coefficient = 0.186, 95%Cl (0.133–0.239), P < 0.001) were associated with high medication adherence.ConclusionThe current study demonstrated a high rate of medication non-adherence in MI patients, necessitating the need to develop tailored pharmaceutical care interventions that address patients' medication-related beliefs, focusing on their perceptions of medication necessity and concerns, particularly in patients with low education level and those with a positive family history of CVD.
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 | 0,004 | 0,002 |
| 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».