Medication Adherence Technologies: A Classification Taxonomy Based on Features
Notice bibliographique
Résumé
Objective: To develop a comprehensive classification system for medication adherence technologies based on an inventory of characteristics and features of existing technology. Participants and Methods: Using a 3-stage approach methodology-development, validation, and evaluation, the study adopted the taxonomy development method and was conducted from February 1, 2023 to July 31, 2024. In the development stage, medication adherence technologies were defined, end users were identified, and a meta-characteristic was determined; using both empirical-to-conceptual and conceptual-to-empirical approaches, dimensions and characteristics were identified. The taxonomy was validated through the Delphi consensus approach and classifying 20 sample medication adherence technologies and evaluated by mapping to codes identified from a qualitative study. Results: After undergoing 8 iterations, which included incorporating feedback from a Delphi consensus survey, the final taxonomy comprised 7 dimensions, 25 subdimensions, and 320 characteristics. These key dimensions include Physical Features, Display, Connectivity, System Alert, Data Collection and Management, Operations, and Integration. The taxonomy was considered complete and valuable once all preestablished ending conditions were met, and its applicability and comprehensiveness were verified by comparing various medication adherence technologies and mapping to codes identified from a qualitative study. Conclusion: This study successfully establishes the first comprehensive classification system for medication adherence technologies based on features, addressing a critical gap in literature. The taxonomy provides a structured framework for categorizing and evaluating technologies, supporting usability testing and the selection of appropriate devices tailored to the unique needs of older adults.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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) | 0,000 | 0,001 |
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 ».