Urban-Rural Differences in the Association of eHealth Literacy With Medication Adherence Among Older People With Frailty and Prefrailty: Cross-Sectional Study
Notice bibliographique
Résumé
Background: With advances in science and technology and improvements in health literacy, more studies have focused on frailty prevention by promoting medication adherence, emphasizing the role of eHealth literacy. However, the association between eHealth literacy and medication adherence in frail older adults has not been well studied, and it is unknown whether urban-rural differences exist in this relationship. Objective: This study aims to examine the relationship between eHealth literacy and medication adherence in older people with different frailty statuses, emphasizing variations between rural and urban areas. Methods: Between November and December 2020, a total of 4218 urban and rural community members (aged ≥60 years) in China were recruited as participants using a multistage random sampling method. A face-to-face structured questionnaire survey was conducted to collect information on demographic characteristics, eHealth literacy (consisting of application, evaluation, and decision dimensions), and medication adherence. eHealth literacy was assessed using the Chinese version of the eHealth Literacy Scale developed by Norman and Skinner, and medication adherence was measured using the 4-item Morisky scale. We used a general descriptive analysis and stratified logistic regression models to examine how eHealth literacy is linked to medication adherence and urban-rural differences. Results: There were 4218 respondents, of which 2316 (54.9%) lived in urban areas and 1902 (45.1%) in rural areas, respectively. After adjusting for potential confounders, among participants with prefrailty, eHealth literacy was associated with medication adherence in urban areas in terms of less application (adjusted odds ratio [AOR] 1.16, 95% CI 0.82-1.63), less evaluation (AOR 1.29, 95% CI 0.92-1.81), and less decision ability (AOR 1.20, 95% CI 0.86-1.68); eHealth literacy was linked with medication adherence in the rural areas in terms of less application (AOR 1.10, 95% CI 0.56-2.13), less evaluation (AOR 1.05, 95% CI 0.61-1.79), and less decision ability (AOR 1.10, 95% CI 0.64-1.90). Among frail participants, less eHealth literacy (AOR 0.85, 95% CI 0.48-1.51), along with its dimensions, including less application (AOR 0.85, 95% CI 0.47-1.54), evaluation (AOR 0.89, 95% CI 0.50-1.57), and decision ability (AOR 0.99, 95% CI 0.55-1.76), were associated with medication adherence in urban areas; less eHealth literacy (AOR 0.89, 95% CI 0.48-1.65), along with its dimensions, including less application (AOR 1.23, 95% CI 0.62-2.44), evaluation (AOR 0.98, 95% CI 0.53-1.82), and decision ability (AOR 0.90, 95% CI 0.49-1.67), were associated with medication adherence in rural areas. Conclusions: The results of this study suggest that there is an association between eHealth literacy and medication adherence among older people with frailty and prefrailty. To promote medication adherence, eHealth literacy can be helpful in tailoring interventions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».