Objective adherence to oral appliance therapy in patients with obstructive sleep apnea: a one-year longitudinal analysis
Notice bibliographique
Résumé
INTRODUCTION: Oral appliance (OA) therapy is widely used as an alternative to continuous positive airway pressure (CPAP) therapy for treating obstructive sleep apnea (OSA). Traditionally, OA adherence has been assessed through subjective self-reports before, but the availability of objective adherence sensors now allows for more accurate monitoring. This study aimed to analyze one-year objective adherence data to identify adherence patterns over time and factors influencing adherence to OA therapy. MATERIALS AND METHODS: Fifty-five OSA patients were recruited from a cohort study and underwent clinical follow-ups at baseline, 1, 6 and 12 months. Patients were treated with custom-made, titratable OAs, and adherence was objectively collected using embedded sensors. Adherence data were analyzed using both intention-to-treat (ITT) and per-protocol (PP) approaches. Statistical methods, including comparative analyses, logistic regression models, and multivariate linear regression were performed to identify predictors of adherence. RESULTS: Twenty-one patients dropped out before the 12-month follow-up, leaving 34 completed the entire study. At the 1-month follow-up, 80.0% of patients were classified as adherent, with a mean wearing time of 5.98 ± 2.38 hours per night. By 6 months, adherence decreased to 67.3%, with a mean wearing time of 5.69 ± 2.08 hours per night. Several significant predictors of adherence were identified, including larger baseline overjet, younger age, and marital status. CONCLUSIONS: OA adherence declined significantly within the first 6 months but stabilized between 6 and 12 months. Key baseline factors, such as larger overjet, younger age, and being married or partnered are predictors of better adherence, while psychological Comorbidities are associated with lower adherence.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 |
| 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 ».