Impact of the COVID-19 Pandemic on Adherence to Most Costly Chronic Disease Medications in British Columbia, Canada: A Population-Based Interrupted Time Series Analysis
Notice bibliographique
Résumé
Purpose: To address limited population-level data on prescription medication taking during COVID-19, we assessed the impact of the pandemic on adherence to the costliest drug classes prescribed for chronic diseases in British Columbia (BC). Patients and Methods: Of the 100 top drug classes contributing to total drug spending in 2020, we categorized those prescribed for chronic diseases into 26 drug groups; specifically, drugs for psychiatric and neurologic, cardiac and respiratory, hormone-related, and immune and musculoskeletal conditions. Using administrative health data on all dispensed medications, we quantified adherence by monthly proportion of days covered (PDC) and performed interrupted time-series analysis (ITS) to estimate changes in PDC trends 1-year before and after the implementation of pandemic mitigation measures. Results: We included 3,906,377 adults with ≥1 prescription to ≥1 included drug groups. The most common prescriptions among our study population were for antidepressants (45.0%), drugs for obstructive airway diseases (41.6%), renin-angiotensin system agents (30.5%), diuretics (28.2%), and lipid modifying agents (24.8%). ITS models for 22 of 26 drug groups showed statistically significant changes in monthly PDC trends, with the greatest change occurring among parenteral immunosuppressants, injectable insulins and analogues, and renin-angiotensin system agents. Conclusion: Findings suggest that the pandemic did not substantially impact adherence to commonly used medications; however, adherence was found to be suboptimal across all drug groups regardless of the impact of COVID-19. Medication adherence remains a critical therapeutic challenge requiring our attention irrespective of major healthcare system stressors such as COVID-19.
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 | 0,002 |
| 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) | 0,002 | 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 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 ».