APPaRENT 1 & 2 surveys: post-hoc analysis to assess predictors of asthma treatment adherence
Notice bibliographique
Résumé
Introduction: Good adherence to maintenance medication is key to improve asthma outcomes. Aims: Identify patient characteristics associated with adherence and ways to improve current asthma care through survey post-hoc analysis. Methods: APPaRENT 1&2 were online surveys across 9 countries in 2020–2021 assessing patient and physician perspectives on asthma management. Patients were aged ≥18 years with self-reported history of physician-diagnosed asthma. Good adherence was defined as inhaled corticosteroid (ICS)-based treatment ≥once a day. Results: Patients (N=2866) and physicians (N=1883) reported good adherence rates of 60.5% vs 70.8%, respectively, and differing perspectives on treatment and goal setting. Older age, more severe disease, and more frequent reliever use were associated with higher odds of good adherence (Figure). Likelihood of good regimen adherence was higher with ICS proactive regular dosing vs maintenance and reliever therapy (MART). Use of an additional reliever with MART was associated with household smoking, severe or poorly controlled asthma, and living in China or the Philippines. Conclusions: Age, asthma severity and reliever use should be considered when personalising asthma care to optimise adherence and clinical outcomes. More physician-patient collaboration to agree on goals, encourage appropriate medication use and regular follow-ups would advance care. Funding: GSK (Study IDs: 212911&214325). erj;64/suppl_68/PA4491/F1 F1 F1
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 | 0,013 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,002 |
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 ».