Factores asociados a la adherencia al tratamiento en personas en hemodiálisis
Notice bibliographique
Résumé
Introduction: Treatment adherence in haemodialysis patients is a crucial aspect for improving clinical outcomes and quality of life. Objectives: To identify the factors associated with treatment adherence in people on haemodialysis. Material and Method: A scoping review was conducted. The search protocol was developed in the SciElo, PubMed, Scopus, ScienceDirect, EBSCO, and Cinahl databases, using the Boolean operators "AND," "OR," "NOT," relating the DeCS-MeSH search terms: "Treatment Adherence and Compliance" AND "Kidney Diseases" AND "Renal Dialysis."Results: The review identified 36 articles, most from 2014, with 6 developed in Spain, 5 in Brazil and Iran, 4 in the United States, 3 in Indonesia and China, 2 in Australia and India, 1 in Colombia, Korea, Canada, Mexico, United Kingdom, and Turkey. Written in English, Spanish, and Portuguese. Adherence is influenced by biopsychosocial, economic, demographic, clinical, and psychological factors. Studies highlight the importance of education, economic stability, family relationships, mental health, medical team support, and educational strategies. Conclusions: The complexity of treatment adherence in haemodialysis patients and the need for a comprehensive approach addressing multiple aspects are revealed. The importance of personalised educational programmes, socioeconomic support, effective communication with healthcare professionals, and personalised strategies to improve adherence is emphasised. These findings have important implications for designing interventions that improve quality of life and clinical outcomes in this population
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».