Evaluating the impact of COVID-19 on medication adherence and health care utilization among individuals with psychotic disorders who are prescribed long-acting injectables (LAIs) or clozapine: A population-based study in Manitoba, Canada
Notice bibliographique
Résumé
BACKGROUND: Ongoing psychiatric follow-up and medication adherence improve outcomes for patients with psychotic disorders. Due to COVID-19, outpatient care may have been disrupted, impacting healthcare utilization. METHODS: A retrospective population-wide study was conducted for adults in Manitoba, Canada. Medication adherence and healthcare utilization were examined from 2019 to 2021. The presence of a diagnosed psychotic disorder was identified in the five years before the index date in each year. The LAI and clozapine cohorts consisted of those who received at least two prescriptions in each year 180 days before the March 20th index date. The change in adherence was measured using the average Medication Possession Ratio. Healthcare utilization rates were compared using Generalized Estimating Equation models. RESULTS: There were no significant differences between LAI and clozapine discontinuation rates before and during the pandemic. In the LAI cohort, general practitioner visits decreased significantly (-3.5 %, p = 0.039) across four quarters of 2021 versus 2019. All-cause hospitalizations decreased by 16.8 % in 2020 versus 2019 (p = 0.0055), while psychiatric hospitalizations decreased by 18.7 % across four quarters in 2020 (p = 0.0052) and 13.7 % in 2021 (p = 0.0425), versus 2019 in the LAI cohort. There was a significant transition to virtual care during the first wave of COVID-19 (71 % in clozapine, 51 % in LAI cohorts). Trends in total outpatient visits and non-psychiatric hospitalizations remained stable. CONCLUSION: COVID-19 had no substantial impact on LAI and clozapine discontinuation rates for patients previously adherent. Outpatient care remained stable, with a significant proportion of visits being done virtually at the outset of the pandemic.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».