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 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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».