Effectiveness, Acceptability and Challenges of Medication Event Reminder Monitors in Tuberculosis Care: A Systematic Review
Notice bibliographique
Résumé
Abstract Introduction: Poor adherence to tuberculosis (TB) treatment, both drug-susceptible and drug-resistant, contributes to unfavourable outcomes and drug resistance. Digital adherence technologies (DATs), including medication event reminder monitors (MERM), have emerged as promising tools to support adherence. Materials and Methods: A systematic review was conducted to assess the impact of MERM on medication adherence, clinical outcomes and satisfaction amongst TB patients and healthcare providers. Studies published up to 16 February 2023 were screened across PubMed, ScienceDirect, DOAJ, Embase and Web of Science. Eligible studies included clinical trials, observational and qualitative designs. Risk of bias was assessed using the Cochrane tool for randomised controlled trials and the Newcastle–Ottawa Scale for observational studies. Results: Eight studies were included (3 trials, 4 prospective and 1 cross-sectional) with 76,811 participants. MERM was found to improve adherence and treatment outcomes. Influencing factors included age, gender, human immunodeficiency virus status, diagnosis type and patient setting. Conclusion: MERM appears effective and acceptable in TB care, although patient experiences vary. Additional research is needed to optimise DATs and tailor strategies for high-burden settings.
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 | 0,027 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 | 0,000 |
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 ».