Methodenartikel

Longitudinale Überwachung und prädiktive Modellierung der Medikamententreue bei ischämischen Schlaganfallpatienten

52 Ansichten

⸱

DOI:

10.3791/71636

⸱

11. August 2026

 ,  ,  ,  ,  ,  , 
1Department of Neurology, West China Hospital, Sichuan University/West China School of Nursing, Sichuan University, 2Department of Respiratory Medicine, West China Hospital, Sichuan University

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt eine strukturierte telefonische Einschätzung der selbstgemeldeten Medikamenteneinnahme 30, 90 und 180 Tage nach Entlassung sowie die interne Entwicklung eines frühen Nachbeobachtungsmodells für ischämische Schlaganfall-Überlebende. Das Protokoll trennt selbstberichtete Einnahme von pharmaziebasierter PDC und verwendet vordefinierte demografische und Day-30-psychosoziale Prädiktoren.

Zusammenfassung

Die Medikamententreue ist zentral für die sekundäre Prävention nach ischämischem Schlaganfall, aber die selbstberichtete Adhärenz kann sich während der Nachsorge ändern. In diesem Single-Center-Longitudinal-Rahmen wurden 210 Teilnehmer eingeschrieben, von denen 191 die 180-Tage-Bewertung absolvierten. Die Medikamenteneinnahme wurde in einem strukturierten Telefoninterview für die Tage 1–30, 31–90 und 91–180 bewertet und als gut eingestuft, wenn der vom Expositionstag gewichtete zusammengesetzte Adhärenzprozentsatz mindestens 80 % betrug. Die chinesischen BMQ-spezifischen und Familien-APGAR wurden an Tag 30, Tag 90 und Tag 180 durchgeführt. Ein logistisches Modell mit vier Prädiktoren verwendete Wohnsitz, Geschlecht, BMQ-NCD am 30. Tag und Familien-APGAR am 30. Tag und wurde intern mit 1.000 Bootstrap-Reproben validiert. Unter 191 vollständigen Fällen lag die gute Treue bei 84,3 % (95 % KI, 78,3 %–89,1 %) am Tag 30, 77,0 % (95 % KI, 70,3 %–82,7 %) am Tag 90 und 72,8 % (95 % KI, 65,9 %–79,0 %) am Tag 180. Städtischer Wohnort, männliches Geschlecht, BMQ-NCD am Tag 30 und Familien-APGAR-Wert am Tag 30 waren mit der Einhaltung von Tag 180 verbunden. Der scheinbare AUC betrug 0,879 (95%-KI, 0,821–0,928), und der optimismus-korrigierte AUC lag bei 0,867. Das Protokoll bietet einen reproduzierbaren Rahmen für die longitudinale Bewertung selbstberichteter Einhaltung sowie ein intern validiertes Day-30-Vorhersagemodell. Vor der klinischen Umsetzung sind externe Validierungs- und objektive Compliance-Maßnahmen erforderlich.

Einleitung

Schlaganfall bleibt weltweit eine führende Ursache für langfristige Behinderung und Sterblichkeit, was eine verfeinerte klinische Definition erforderlich macht, die sowohl pathologische als auch bilddiagnostischeEher berücksichtigt. Trotz Fortschritte bei akuten Interventionen steigt die weltweite Belastung durch Schlaganfälle weiter, wobei ischämischer Schlaganfall die überwiegende Mehrheitder Fälle ausmacht. Dieser Trend ist besonders ausgeprägt in China, wo die Prävalenz vaskulärer Risikofaktoren kritische Werte erreicht hat und dasGesundheitssystem enorm belastet. Belege deuten darauf hin, dass Überlebende eines ersten Schlaganfalls ein hohes Risiko für wiederkehrende Gefäßereignisse haben, wobei gemeinschaftsbasierte Studien die anhaltende Verwundbarkeit dieser Population hervorheben4. Während das Management der akuten Phase erhebliche Herausforderungen mit sich bringt5, werden das langfristige Überleben und die Lebenserwartung dieser Patienten überwiegend durch die Wirksamkeit sekundärer Präventionsstrategien bestimmt 6,7.

Das Fundament der sekundären Prävention ist eine strenge pharmakologische Behandlung, einschließlich Blutdrucksenkung und ThrombozytenhemmendeTherapie 8,9,10. Internationale Richtlinien der American Heart Association (AHA), der European Stroke Organisation (ESO) und der Canadian Stroke Best Practice Recommendations betonen, dass die Einhaltung dieser Programme unerlässlich ist, um ein Rückfall zu verhindern 11,12,13,14. Dennoch wird der klinische Nutzen dieser Interventionen häufig durch schlechte Medikamententreueuntergraben 15,16. Medikamententreue ist ein multidimensionales Konstrukt, das sowohl Initiation als auch Persistenzumfasst 15,17. Aktuelle Registerdaten zeigen, dass eine stärkere Einhaltung von Sekundärpräventionsmedikamenten das Überleben signifikant verbessert und die Rückfallratenum 17,18 senkt. Zum Beispiel wurde die Statinadhärenz unabhängig mit einem reduzierten rezidiventen Risiko19 assoziiert.

Trotz dieser Vorteile beobachten Longitudinalstudien einen signifikanten "temporalen Abfall" der Adhärenzraten im ersten Jahr nach derEntlassung 20. Während demografische Faktoren wie Geschlechtsunterschiede und sozioökonomischer Status die Persistenz beeinflussen21,22, gibt es eine zunehmende Anerkennung der Rolle psychosozialer und kognitiver Faktoren bei der Gestaltung des Patientenverhaltens23,24. Der Beliefs about Medicines Questionnaire (BMQ) hat sich als validiertes Werkzeug herauskristallisiert, um die kognitive Repräsentation von Medikamenten anhand des "Necessity-Concerns"-Rahmens25 zu bewerten. Systematische Übersichtsarbeitende Übersichten haben gezeigt, dass BMQ-Werte robuste Prädiktoren für die Adhärenz bei verschiedenen chronischen Erkrankungen in China sind26. Ebenso spielt das soziale Umfeld, insbesondere das Funktionieren der Familie, eine entscheidende Rolle. Der Family APGAR-Index bietet ein zuverlässiges Maß für die wahrgenommene Unterstützung, was für Patienten, die sich mit den Komplexitäten des Lebens nach einem Schlaganfall auseinandersetzen müssen,entscheidend ist 27,28.

Während das NIHSS und die modifizierte Rankin-Skala neurologische Schwere und funktionelles Ergebnis29,30 beschreiben, messen sie nicht direkt die Medikamentenüberzeugungen oder die wahrgenommene Familienfunktion31. Mobile Gesundheits- und WeChat-basierte Dienste wurden untersucht, da die Einhaltung32,33 unterstützt. Das derzeitige Protokoll verfolgt daher zwei Ziele: die Bewertung der Medikamenteneinnahme an Tag 30, Tag 90 und Tag 180 mit konsistenter Terminologie zu definieren und ein interpretierbares Modell der Day-180-Adhärenz zu entwickeln, das vordefinierte demografische und psychosoziale Variablen aus der Studie verwendet.

Protokoll

Das Protokoll wurde vom Ethikkomitee für biomedizinische Forschung am Westchinesischen Krankenhaus der Universität Sichuan genehmigt (Genehmigungsnummer 2021 Review (1303); Genehmigungsdatum 8. November 2021). Alle gemeldeten Verfahren wurden gemäß den Anforderungen des Komitees und dem genehmigten Protokoll durchgeführt. Der vollständige analytische Datensatz ist in Supplementary File 1 bereitgestellt.

1. Patientenscreening und Baseline-Einschreibung

  1. Identifizieren Sie potenzielle Teilnehmer aus den stationären Unterlagen der Abteilung für Neurologie. Ausgewählte Patienten, bei denen akuter ischämischer Schlaganfall mittels Magnetresonanztomographie (MRT) oder Computertomographie (CT) diagnostiziert wurde. Erfassen Sie die Gesamtzahl der zunächst gescreenten Personen, um den Basispool für das Teilnehmerflussdiagramm zu erstellen.
  2. Screenen Sie Patienten anhand der vorgegebenen Einschlusskriterien. Beziehen Sie auch Erwachsene mit bildgebendem bestätigtem akutem ischämischen Schlaganfall ein, die das Interview selbst oder über einen gesetzlich bevollmächtigten Vertreter durchführen können.
  3. Wenden Sie Ausschlusskriterien an. Schließen Sie Patienten mit einer Vorgeschichte schwerer psychischer Erkrankungen, kognitiver Beeinträchtigung (festgestellt durch klinische Unterlagen) oder einer Lebenserwartung von weniger als sechs Monaten aus. Dokumentieren Sie die genauen Gründe und die entsprechenden Zahlen für etwaige Ausschlüsse in dieser Phase (z. B. Lebenserwartungsbegrenzungen oder Verweigerung der Einwilligung).
  4. Vor der Einschreibung sollten Sie eine schriftliche informierte Zustimmung vom Patienten einholen oder, falls der Patient keine Zustimmung geben kann, von einem gesetzlich bevollmächtigten Vertreter mithilfe des vom Ausschuss genehmigten Formulars zur informierten Einwilligung. Erklären Sie das Längsstudiendesign, telefonische Bewertungen und den 180-tägigen Nachbeobachtungsplan vor der Unterschrift. Zeichnen Sie die Identität und Rolle der einwilligenden Person, das Einwilligungsdatum und das Studienmitglied, das die Zustimmung eingeholt hat.
  5. Sammeln Sie innerhalb von 48 Stunden nach der Aufnahme demografische und klinische Ausgangsdaten. Erfassen Sie Alter, Geschlecht, Wohnort, Bildungsstand und monatliches Einkommen mit einem standardisierten Fallberichtsformular.
  6. Bei der Entlassung sollte ein ausgebildeter Schlaganfallkliniker das validierte chinesische NIHSS anhand der Standardwerte von 11 bewerteten Punkten und einem Gesamtbereich von 0–4229 durchführen. Erfassen Sie die Gesamtpunktzahl, die Rolle des Prüfers, den Ausbildungsstatus, das Bewertungsdatum und die Dauer des Krankenhausaufenthalts.
  7. Führen Sie das genehmigte chinesische BMQ-Spezifisch durch ein strukturiertes persönliches Interview vor der Entlassung sowie telefonisch an den Tagen 30, Tag 90 und Tag 180,25, 34 Uhr durch.
    HINWEIS: Das Instrument enthält fünf Bedürftigkeitspunkte und fünf Bezügliche Punkte. Bewerten Sie jedes Element von 1 (stark anderer Meinung) bis 5 (stimme stark zu) und addieren Sie die fünf Elemente in jeder Unterskala; Die Gesamtsummen von Notwendigkeit und Bedenken reichen daher jeweils von 5 bis 25.
  8. Berechnen Sie das Differential zwischen Notwendigkeit und Sorgen (BMQ-NCD) als Notwendigkeit minus Sorgen (Bereich, -20 bis 20). Höhere Notwendigkeit und höhere BMQ-NCD-Werte deuten auf einen stärkeren wahrgenommenen Bedarf im Verhältnis zu Sorgen hin, während ein höherer Concern-Wert auf eine größere Besorgnis hinweist.
    HINWEIS: Für jede Subskala werden alle fünf Antworten verlangt; ansonsten sollten diese Unterskala und das BMQ-NCD als fehlend gekennzeichnet werden. Verwenden Sie den BMQ-NCD am Tag 30 als kontinuierlichen Modellprädiktor. Gleichzeitig verwalten Sie die chinesische Familie APGAR27.
  9. Werteanpassung, Partnerschaft, Wachstum, Zuneigung und Entschlossenheit als 0 (fast nie), 1 (manchmal) oder 2 (fast immer) und summiere die fünf Punkte zu einer ganzen Summe von 0–10; Höhere Werte deuten auf eine besser wahrgenommene Familienfunktion hin. Wenn ein Familien-APGAR-Artikel fehlt, codieren Sie die Gesamtzahl als fehlend. Erfassen Sie die Instrumentversionen, Autorisierung, Administrator, Befragten, Datum, Item-Antworten, Subskalensummen und Gesamtwerte auf dem Fallberichtsformular.

2. Entlassungsvorbereitung und Patientenaufklärung

  1. Führen Sie vor der Entlassung eine standardisierte Medikationsberatung durch. Stellen Sie eine schriftliche Liste verschriebener Sekundärpräventionsmedikamente bereit, darunter Thrombozyten-Antithrombozyten, Statine und Blutdrucksenker.
  2. Informieren Sie den Patienten und seine Hauptbetreuung über die Bedeutung der Medikamenteneinhaltung. Zeigen Sie, wie man die Medikamentenaufnahme dokumentiert, wenn der Patient beabsichtigt, eine Pillenbox oder ein Tagebuch zu verwenden.
  3. Verifizieren Sie die primäre Telefonnummer des Patienten. Legen Sie ein bevorzugtes Zeitfenster für zukünftige Nachverfolgungsanrufe fest, um Fluktuation zu minimieren und eine hohe Antwortrate sicherzustellen.

3. Längsnachsorge nach der Entlassung (Tag 30, Tag 90 und Tag 180)

  1. Führen Sie das erste strukturierte Telefoninterview am Tag 30 nach der Entlassung durch (Zielfenster, plus oder minus 3 Tage). Für jede Klasse der sekundären Präventionsmedikamente, die an den Tagen 1–30 verschrieben wurde, werden der Klassenname, die verschriebene tägliche Dosisfrequenz, die Anzahl der Expositionstage und die selbstberichtete Anzahl der Gruppen-Follow-Days an den Tagen 1–30 erfasst.
    1. Erfassen Sie den Befragten (Patient oder die primäre medikamentenverwaltende Betreuerin), das Kontaktdatum, die Behandlungsänderungen, vorübergehende vom Arzt geleitete Unterbrechungen und die Gründe für den Nichtabschluss. Im selben Interview führen Sie das BMQ-spezifische und Familien-APGAR durch und notieren Sie die Ergebnisse am Tag 30
  2. Führe das zweite Interview am Tag 90 durch (Zielfenster, plus oder minus 7 Tage). Wiederholen Sie die klassenspezifischen Medikamentenfragen für die nicht überlappenden Tage im Intervall 31–90 und führen Sie die BMQ und Familien-APGAR durch. Bitten Sie den Teilnehmer nicht, die Tage 1–30 erneut zu rekonstruieren; Behalte den Tag-30-Datensatz als Quelle für dieses Intervall.
  3. Führe das abschließende Interview am Tag 180 durch (Zielfenster, plus/minus 7 Tage). Wiederholen Sie die klassenspezifischen Medikamentenfragen für das nicht überlappende Intervall 91–180 Tage, führen Sie BMQ und Familien-APGAR durch und notieren Sie den Tag von 180 mRS, wenn verfügbar.
  4. Verwenden Sie bei allen drei Nachfolgegesprächen das gleiche strukturierte Interviewformular und die gleiche Befragtenregel. Wenn ein Patient aufgrund kognitiver, sprachlicher oder körperlicher Beeinträchtigungen nicht ansprechen kann, wenden Sie sich an die Pflegekraft, die das Medikationsregime leitet, und dokumentieren Sie diese Substitution. Beanspruchen Sie keine Pillenanzahl-, Tagebuch-, Apotheken- oder Interviewer-Blinding-Verifikation, es sei denn, dies ist in den Quellunterlagen dokumentiert.
  5. Nehmen Sie ambulante Besuche nur zur beschreibenden Nachsorge fest. Beziehen Sie keine Variable für die Nutzung nach der Entlassung in ein Vorhersagemodell ein, das nach der Bewertung am 30. Tag vorgesehen ist.
  6. Definieren Sie den Baseline als die stationäre/entlassene Beurteilung und beschriften Sie die Adhärenzbewertungen nach Kalenderzeit (Tag 30, Tag 90 und Tag 180) statt nach T1, T2 und T3. Dies verhindert den vorherigen Konflikt, bei dem T1 sowohl auf die Ausgangslinie als auch auf Tag 30 verwiesen hat.

4. Quantifizierung der selbstberichteten Medikamententreue

  1. Verwenden Sie den Begriff PDC nicht, es sei denn, die Einhaltung ergibt sich aus Abgabe- oder Nachfüllunterlagen. Antithrombotische Therapie (Thrombozytenhemmer oder orale Antikoagulanzien, je nach Indikatio), lipidsenkende Therapie, blutdrucksenkende Therapie und glukosesenkende Therapie als separate sekundäre Präventionsklassen behandeln Sie nur, wenn sie diesem Teilnehmer verschrieben werden.
    1. Für jeden vorgeschriebenen Kurs definieren Sie einen kursbetreuenden Tag als einen Tag, an dem angeblich jede geplante Dosis in diesem Kurs genommen wurde; Das Fehlen einer geplanten Dosis macht diesen Kurstag nicht mehr eingebunden. Vom Arzt geleitete Abstellen, Substitutionen und vorübergehende Sperren werden Tage nach dem dokumentierten Wirksamkeitsdatum nicht als erwartete Exposition gezählt.
    2. Berechnen Sie den Intervall-Composite selbstberichteten Compliance-Prozentsatz als 100 multipliziert mit der Summe der kurstreuen Tage in den vorgeschriebenen Klassen, geteilt durch die Summe der erwarteten Klassenexpositionstage in diesen Klassen. Diese nach dem Tag gewichtete Berechnung berücksichtigt unterschiedliche Verschreibungsdauern und entspricht dem Mittelwert der klassenspezifischen Anteile nur, wenn jede Klasse für die gleiche Anzahl von Tagen verschrieben wird. Verwenden Sie die Tage 1–30 für den Tage-30-Wert, die Tage 31–90 für den Tag-90-Wert und die Tage 91–180 für den Tag-180-Wert.
  2. Bei jeder Nachuntersuchung klassifizieren Sie gute Einhaltung als selbstberichteten Anteil der Adhärent-Tage von mindestens 80 % und schlechte Einhaltung als weniger als 80 %. Behandeln Sie fehlende Compliance-Bewertungen als fehlende; Ordnen Sie sie nicht der Kategorie schlechte Compliance zu.

5. Datenintegration, Längsschnittanalyse und prädiktive Modellierung

  1. Durchführung der reproduzierbaren Analyse mit der Programmiersprache Python (Version 3.13.5) mit Bibliotheken für Datenmanipulation, numerische Berechnung, statistische Analyse und Visualisierung auf einem 64-Bit-Windows-Betriebssystem. Setze den zufälligen Seed auf 71636 und kodiere fehlende Werte als NA. Wenn das endgültige Team stattdessen R verwendet, ersetzen Sie diesen Abschnitt durch die exakt ausgeführte R-Version, Paketversionen, Funktionen und Skript; Melden Sie keinen nicht ausgeführten Software-Workflow.
  2. Zusammenfassen Sie die Gut-Compliance-Anteile an Tag 30, Tag 90 und Tag 180 mit zweiseitigen 95%-Clopper-Pearson-Exakten Konfidenzintervallen. Testen Sie die insgesamt gepaarte Änderung der binären Adhärenz mit dem Cochranschen Q-Test, gefolgt von exakten gepaarten McNemar-Tests mit Bonferroni-Korrektur.
  3. Analysieren Sie BMQ-NCD und Familien-APGAR an Tag 30, Tag 90 und Tag 180 in vollständigen Fällen mit dem Friedman-Test. Wenn der Omnibus-Test signifikant ist, führen Sie gepaarte Wilcoxon-Signed-Rank-Vergleiche mit Bonferroni-Korrektur durch. Melden Sie Median- und Interquartilbereiche sowie Mittelwerte und Standardabweichungen. Berechnen Sie individuelle Skalierungssummen aus den Antworten auf Item-Ebene vor der Analyse; Analysieren Sie keine interpolierten oder manuell geglätteten Fragebogenwerte.
  4. Definieren Sie das Tages-180-Ergebnis als gute Einhaltung = 1 und schlechte Einhaltung = 0. Eine Day-30 multivariable logistische Regression mit vier vorgegebenen Prädiktoren neu anpassen: Wohnort (Urban = 1; Ländlich = 0), Geschlecht (Männlich = 1; Weiblich = 0), Tag 30 BMQ-NCD (kontinuierlich) und Tag 30 Familien-APGAR-Score (kontinuierlich). Verwenden Sie keine ambulanten Nachsorgetermine. Vermeiden Sie es, Univariate Screening oder Rückwärtsselektion zu beschreiben, es sei denn, dieses Verfahren wurde tatsächlich im Code ausgeführt und dokumentiert.
  5. Spezifizieren Sie die vollständige angepasste Gleichung: logit[P(gute Einhaltung am Tag 180)] = -10,3811 + 1,2921(Urban) - 1,5215(Männlich) + 0,5211(BMQ-NCD) + 0,6887(Familie APGAR). Erstellen Sie das Nomogramm direkt aus diesen ungerundeten Koeffizienten und verwenden Sie leserorientierte Beschriftungen, Referenzkategorien, Punktbereiche und Richtungsrichtungen.
  6. Bewerten Sie die Diskriminierung mit dem ROC AUC und einem 95%-Konfidenzintervall von Perzentil-Bootstrap. Bewerten Sie den Gesamtfehler mit dem Brier-Score und die Kalibrierung mit einem Kalibrierungsdiagramm und einer Kalibrierungsneigung. Berichte die scheinbare Leistung getrennt von der vom Optimismus-Korrektur korrigierten Leistung.
  7. Führen Sie 1.000 erfolgreiche Bootstrap-Resamples durch. Bei jeder Neustichprobe wird das vollständige Vier-Prädiktor-Modell neu angepasst und der Optimismus durch Vergleich der Leistung in der Bootstrap-Stichprobe mit der Originalstichprobe verglichen wird. Ziehe den durchschnittlichen Optimismus von der scheinbaren Leistung ab.

6. Patientenvertraulichkeit und Datensicherheit

  1. Stellen Sie sicher, dass alle patientenidentifizierbaren Informationen vor der Analyse entfernt werden. Speichern Sie die Master-Linkage-Datei in einem passwortgeschützten, verschlüsselten institutionellen System, das nur autorisiertem Studienpersonal zugänglich ist.
  2. Weisen Sie jedem Teilnehmer bei der Einschreibung eine eindeutige alphanumerische ID zu. Verwenden Sie diese ID für alle nachfolgenden Nachverfolgungsformulare und digitalen Datensätze.

Ergebnisse

Implementierung des standardisierten Protokolls und Kohortenstratifizierung

Das Teilnehmer-Flow-Log berichtet, dass 216 Personen bewertet, 6 ausgeschlossen und 210 eingeschrieben wurden. Siebzehn gingen vor der Day-90-Bewertung verloren, und zwei weitere Teilnehmer gingen vor Tag 180 verloren, sodass 191 vollständige Fälle für die Longitudinal- und Modellierungsanalysen übrig blieben (ergänzende Abbildung 1). Die 19 Nichtvollständigen wurden im Screening- und Folgeprotokoll für die Teilnehmerflussberichterstattung dokumentiert, aber nicht in den analytischen Datensatz aufgenommen, und es wurden keine Ergebniswerte berechnet. Die Analysedatei enthält daher die vordefinierte vollständige Fall-Kohorte von 191 Teilnehmern.

Am Tag 180 wurden 139 von 191 Teilnehmern als gut eingenommen und 52 als schlecht eingestuft (Tabelle 1). Städtischer Wohnort und Geschlecht unterschieden sich zwischen den Adhärenzgruppen in univariaten Vergleichen, während andere Basisvariablen mit ihren exakten Effektschätzungen und P-Werten berichtet werden sollten, anstatt gemeinsam als ausgewogen dargestellt zu werden. Die weibliche Zelle mit schlechter Adhärenz umfasste fünf Teilnehmer, sodass geschlechtsbezogene Schätzungen eine vorsichtige Interpretation erfordern.

Quantitative Charakterisierung des Adhärenzabfalls und der Übergänge

Unter den 191 vollständigen Fällen betrug die gute Einhaltung 84,3 % (161/191; exakte 95 % KI, 78,3 %–89,1 %) für die Tage 1–30, 77,0 % (147/191; 70,3 %–82,7 %) für die Tage 31–90 und 72,8 % (139/191; 65,9 %–79,0 %) für die Tage 91–180 (Abbildung 2). Die insgesamt gepaarte Differenz war signifikant (Cochran Q = 31,0, df = 2, P < 0,001). Die beobachteten Tag-30/Tag-90/Tag-180-Muster waren gut/gut/gut (n = 138), gut/gut/schlecht (n = 8), gut/schlecht/schlecht (n = 15), schlecht/gut/gut (n = 1) und schlecht/schlecht/schlecht (n = 29) (Abbildung 3). Wir bezeichnen diese als Adhärenz-Zustand-Übergänge, ohne zu implizieren, dass ein neues validiertes Verhaltenskonstrukt etabliert wurde.

Sensibilität und longitudinale Responsivität psychosozialer Metriken

Unter den vollständigen Fällen betrugen die mittleren BMQ-NCD-Werte 13,06 (SD 2,60) am Tag 30, 12,06 (3,03) am Tag 90 und 10,88 (3,84) am Tag 180; die durchschnittlichen Familien-APGAR-Werte betrugen 8,20 (1,28), 7,79 (1,45) bzw. 7,23 (1,84). Sowohl Friedman-Omnibus-Tests als auch Bonferroni-angepasste gepaarte Wilcoxon-Tests ergaben P < 0,001 (Tabelle 2; Abbildung 4). Die Gesamtsummen einzelner Fragebögen sollten direkt aus den Fallberichtsformularen auf Item-Ebene generiert werden, bevor die Endanalyse gesperrt wird.

Parametergewichtung und Synthese des prädiktiven Werkzeugs

Das Vorhersagemodell für den Tag 30 behielt vier vordefinierte Prädiktoren bei (Tabelle 3): städtischer Wohnsitz (bereinigter OR, 3,64; 95%-KI, 1,54–8,62; P = 0,0033), männliches Geschlecht (bereinigtes OR, 0,22; 95%-KI, 0,06–0,76; P = 0,0174), Tag 30 BMQ-NCD pro Punkt (bereinigte OR, 1,68; 95%-KI, 1,39–2,05; P < 0,001), und Tag 30 Familien-APGAR-Wert pro Punkt (bereinigte OR, 1,99; 95%-KI, 1,39–2,86; P < 0,001). Der eingebaute Abfang betrug -10,3811. Abbildung 5 zeigt dieselbe Codierung und die gleiche Ein-Punkt-Skala wie in Tabelle 3, und Abbildung 6 ordnet die ungerundeten Koeffizienten dem Nomogramm zu.

Methodische Validierung: Genauigkeit und Kalibrierung

Der scheinbare AUC des Modells lag bei 0,879 (Bootstrap 95 % KI, 0,821–0,928), und der optimismekorrigierte AUC nach 1.000 erfolgreichen Bootstrap-Resamples betrug 0,867 (Abbildung 7). Der scheinbare Brier-Wert betrug 0,118, und die optimistisch korrigierte Kalibrierungssteigung lag bei 0,923. Diese Werte beschreiben die interne Leistung in den 191 vollständigen Fällen und stellen keine externe Validierung dar.

figure-results-1
Abbildung 1: Standardisierter operativer Fahrplan zur Überwachung der Nachwirkungstherapie. Dieses Flussdiagramm veranschaulicht das in der Studie implementierte vierphasige Protokoll: Phase 1 (Einschreibung und Baseline), Phase 2 (Entlassung in der Akutversorgung), Phase 3 (Systematische Längsbeobachtung) und Phase 4 (Risikobewertung und -analyse). Diese Roadmap dient als Standard Operating Procedure (SOP) für die vorgeschlagene Methodik. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-2
Abbildung 2: Longitudinale Gut-Adhärenz-Verhältnisse. Die Abbildung zeigt vollständige Fälle und gute Therapieanteile für die Tage 1–30 an der Tag-30-Bewertung (84,3 %), die Tage 31–90 an der Tag-90-Bewertung (77,0 %) und die Tage 91–180 an der Tag-180-Bewertung (72,8 %). Die Fehlerbalken sind beidseitige, 95 % Clopper-Pearson-Exakte-Konfidenzintervalle. Die Adhärenz wurde als gut eingestuft, wenn der nach dem Expositionstag gewichtete zusammengesetzte, selbstberichtete Adhärenzprozentsatz mindestens 80 % betrug. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-3
Abbildung 3: Individuelle Adhärenz-Zustand-Übergänge. Das alluviale Diagramm zeigt die gute oder schlechte Übereinstimmung jedes vollständigen Teilnehmers an Tag 30, Tag 90 und Tag 180. Die Bandbreite repräsentiert die Anzahl der Teilnehmer. Der Begriff Adhärenz-Zustand-Übergang ist beschreibend und wird nicht als zuvor validiertes Konstrukt präsentiert. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-4
Abbildung 4: Familien-APGAR- und BMQ-NCD-Verteilungen über die Zeit. Kästchen, die (A) Familie APGAR und (B) BMQ-NCD-Verteilungen repräsentieren, stellen den Interquartilbereich dar, Mittellinien den Median, Schnurrhaarwerte innerhalb des 1,5-fachen des Interquartilbereichs und Punkte jenseits der einzelnen Beobachtungen des Schnurrhaars. Gesamtvergleiche verwenden Friedman-Tests; gepaarte Vergleiche verwenden Wilcoxon-Zeichenrank-Tests mit Bonferroni-Korrektur. BMQ-NCD ist die Notstandssumme minus die Sorgensumme. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-5
Abbildung 5: Angepasste Assoziationen im Day-30-Vorhersagemodell. Die Punkte sind angepasste ORs und horizontale Balken haben 95 % KI für städtische versus ländliche Wohnsitze, männliches versus weibliches Geschlecht sowie einen Punkt-Anstieg bei BMQ-NCD und Familien-APGAR. Die horizontale Achse ist logarithmisch, und die vertikale Referenzlinie bezeichnet OR = 1. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-6
Abbildung 6: Nomogramm für intern geschätzte Wahrscheinlichkeit guter Adhärenz am Tag 180. Das Nomogramm verwendet: Wohnort, Geschlecht, Tag 30 BMQ-NCD und Tag 30 Familien-APGAR-Wert. Prädiktorwerte werden auf Punkte abgebildet; Gesamtpunkte bilden die geschätzte Wahrscheinlichkeit ab. Ein höherer BMQ-NCD zeigt, dass die wahrgenommene Notwendigkeit die Bedenken überwiegt, und ein höherer Familien-APGAR deutet auf eine besser wahrgenommene Familienfunktion hin. Das Nomogramm erfordert eine externe Validierung vor klinischer Nutzung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

figure-results-7
Abbildung 7: Interne Validierung des Day-30-Vorhersagemodells. (A) Die ROC-Kurve zeigt einen scheinbaren AUC von 0,879 (Bootstrap 95 % KI, 0,821–0,928) und einen optimistisch korrigierten AUC von 0,867. (B) Das Kalibrierungspanel vergleicht vorhergesagte und beobachtete Wahrscheinlichkeiten. Die ideale Linie steht für perfekte Kalibrierung, die scheinbare Kurve beschreibt die angepasste Stichprobe und die bias-korrigierte Kurve spiegelt eine 1.000-Resample-Bootstrap-Optimismuskorrektur wider. Schattierte oder Randlinien, wenn sie angezeigt werden, stellen 95%-Konfidenzgrenzen dar; Teppichmarkierungen zeigen die Verteilung der vorhergesagten Wahrscheinlichkeiten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

CharakteristikGesamt (N = 191)Schlechte Einhaltung (N = 52)Gute Einhaltung (N = 139)P-Wert
Alter, Jahre59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Altersgruppe, n (%)0.822
<65 Jahre120 (62.8%)32 (61.5%)88 (63.3%)
>=65 Jahre71 (37.2%)20 (38.5%)51 (36.7%)
Geschlecht, n (%)0.015
Weiblich41 (21.5%)5 (9.6%)36 (25.9%)
Männlich150 (78.5%)47 (90.4%)103 (74.1%)
Wohnsitz, n (%)<0,001
Ländliche Gebiete92 (48.2%)36 (69.2%)56 (40.3%)
Urban99 (51.8%)16 (30.8%)83 (59.7%)
Bildung, n (%)0.224
Grundschule oder jünger59 (30.9%)21 (40.4%)38 (27.3%)
Mittelschule50 (26.2%)13 (25.0%)37 (26.6%)
Oberschule/Technik36 (18.8%)10 (19.2%)26 (18.7%)
Hochschulabschluss oder höher46 (24.1%)8 (15.4%)38 (27.3%)
Familienstand, n (%)0.905
Verheiratet175 (91.6%)47 (90.4%)128 (92.1%)
Unverheiratet9 (4.7%)3 (5.8%)6 (4.3%)
Geschieden/verwitwet7 (3.7%)2 (3.8%)5 (3.6%)
Beruf, n (%)0.138
Angestellt/Berufstätig36 (18.8%)9 (17.3%)27 (19.4%)
Arbeiter25 (13.1%)7 (13.5%)18 (12.9%)
Bauer39 (20.4%)16 (30.8%)23 (16.5%)
Ruhestand45 (23.6%)7 (13.5%)38 (27.3%)
Selbstständig/andere46 (24.1%)13 (25.0%)33 (23.7%)
Monatliches Einkommen, CNY, n (%)0.208
<300039 (20.4%)14 (26.9%)25 (18.0%)
3000-499956 (29.3%)17 (32.7%)39 (28.1%)
>=500096 (50.3%)21 (40.4%)75 (54.0%)
NIHSS-Punktzahl bei Entlassung2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Dauer des Krankenhausaufenthalts, Tage8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tabelle 1: Merkmale der Studienpopulation zur methodologischen Validierung (N = 191). Diese Tabelle fasst die demografischen und klinischen Profile der Teilnehmer zusammen, stratifiziert nach ihrem 180-tägigen selbstberichteten Medikamententreuestatus (Gut vs. Schlecht). Kategoriale Variablen werden als Häufigkeiten (n) und Prozentsätze (%) dargestellt. P-Werte werden für deskriptive Gruppenvergleiche bereitgestellt und wurden nicht für die Auswahl von Prädiktoren verwendet. Bitte klicken Sie hier, um diese Tabelle herunterzuladen.

MaßTag 30, Mittelwert +/- SDTag 90, Mittelwert +/- SDTag 180, Mittelwert +/- SDVeränderung (Tag 180 - Tag 30), Mittelwert +/- SDFriedman Chi-Quadrat (df = 2)Globaler P-Wert
BMQ-NCD Gesamtpunktzahl13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0,001
Familien-APGAR-Score8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0,001

Tabelle 2: Longitudinale BMQ-NCD- und Familien-APGAR-Werte. Diese Tabelle zeigt jede Skala an Tag 30, Tag 90 und Tag 180 als Mittelwert (SD) und Median (IQR). Die Gesamt-P-Werte stammen aus Friedman-Tests; gepaarte Post-hoc-P-Werte stammen aus Wilcoxon-Signed-Rank-Tests mit Bonferroni-Korrektur. BMQ-NCD ist das BMQ-spezifische Notwendigkeitstotal minus das Concern-Total (Bereich -20 bis 20).

Prädiktorβ KoeffizientStandardfehlerWald zP-WertAdjustierter OR (95 % KI)Codierung / Einheit
Abfang-10.38112.0697-5.016<0,001—Modellabfang
Stadtresidenz1.29210.43962.940.00333.64 (1.54–8.62)Städtisch vs. ländlich (Referenz)
Männliches Geschlecht-1.52150.6395-2.3790.01740.22 (0.06–0.76)Männlich vs. weiblich (Referenz)
Baseline BMQ-NCD0.52110.09955.238<0,0011.68 (1.39–2.05)Pro 1-Punkt-Erhöhung
Baseline-Familie APGAR0.68870.18473.728<0,0011.99 (1.39–2.86)Pro 1-Punkt-Erhöhung

Tabelle 3: Vollständige Spezifikation der multivariablen logistischen Regression für gute Einhaltung am Tag 180 (N = 191). Die Tabelle zeigt die Intercept- und Regressionskoeffizienten, Standardfehler, Wald-Statistiken, P-Werte, angepasste ORs und 95%-Konfidenzintervalle für das endgültige multivariable logistische Regressionsmodell. Gute Adhärenz wird als 1 codiert, und schlechte Adhärenz als 0. Wohnsitz ist städtisch = 1 gegenüber ländlich = 0; Geschlecht ist männlich = 1 versus weiblich = 0; Tag 30 BMQ-NCD und Tag 30 Familien-APGAR werden pro Ein-Punkt-Erhöhung modelliert.

Ergänzende Abbildung 1: Teilnehmerfluss und Kohortenauswahl für die longitudinale Medikamententreuestudie.Bitte klicken Sie hier, um diese Datei herunterzuladen.

Ergänzende Datei 1: Der vollständige analytische Datensatz. Bitte klicken Sie hier, um diese Datei herunterzuladen.

Diskussion

Diese Studie beschreibt ein standardisiertes longitudinales Telefonprotokoll und entwickelt intern ein Vorhersagemodell für die Selbstberichterstattung der Medikamententreue am Tag 180 nach ischämischem Schlaganfall. Drei Erkenntnisse sind zentral. Erstens sank der Anteil, der als gut eingestuft wurde, von 84,3 % am Tag 30 auf 77,0 % am Tag 90 und 72,8 % am Tag 180. Zweitens sanken auch die BMQ-NCD- und Familien-APGAR-Ergebnisse in den geplanten Untersuchungen. Drittens waren städtischer Wohnort, Geschlecht, Tag 30 BMQ-NCD und Tag 30 Familien-APGAR im vorgegebenen Tag-30-Vorhersagemodell mit der Einhaltung von Tag 180 assoziiert. Diese Ergebnisse unterstützen eine wiederholte Beurteilung nach der Entlassung, bleiben dabei beschreibend und intern prädiktiv statt kausal.

Die Reduktion der Prävalenz der guten Adhärenz entspricht früheren Schlaganfallstudien, die zeigen, dass die Persistenz mit sekundärpräventiven Medikamenten nach der Entlassungabnehmen kann 17,18,19,20. Die meisten Teilnehmer blieben in der Kategorie gute Adhärenz, während die größte wechselnde Gruppe von guter zu schlechter Adhärenz wechselte. Dieses Muster legt nahe, dass ein zufriedenstellendes frühes Interview nicht als Beweis für anhaltende Medikamenteneinnahme behandelt werden sollte. Klinisch kann eine Neubewertung am Tag 90 Patienten identifizieren, deren Verhalten sich nach der unmittelbaren Erholungsphase verändert hat, und das Day-180-Interview bietet eine spätere Gelegenheit, die Komplexität des Regimes, Nebenwirkungen, Zugangsbarrieren und die Beteiligung der Pflegekräfte zu überprüfen.

Ein wichtiger methodischer Beitrag ist die Trennung der drei nicht überlappenden Rückruffenster: die Tage 1–30, die Tage 31–90 und die Tage 91–180. Dieser Ansatz vermeidet wiederholt die Aufforderung der Teilnehmer zur Rekonstruktion des gesamten Post-Entladungszeitraums und verknüpft jede Schätzung mit einem definierten Intervall. Der nach dem Tag gewichtete Expositions-Komposit umfasst außerdem Medikamentenklassen mit unterschiedlich vorgeschriebenen Dauern. Dennoch bleibt es ein selbstberichteter Anteil an kursbetreuenden Tagen, nicht an pharmazeutisch abgeleiteten PDC. Erinnerungsfehler und sozial-wünschenswerter Bias können daher die Aufnahme überschätzen. Die beobachteten Prozentsätze sollten als strukturierte Interviewschätzungen interpretiert werden und nicht als objektive Bestätigung, dass Medikamente abgegeben oder eingenommen wurden.

Die longitudinalen BMQ-NCD-Ergebnisse bieten einen möglichen psychosozialen Kontext für das Adhärenzmuster. BMQ-NCD ist der Notwendigkeitswert minus den Sorgenwert und stellt daher das relative Gleichgewicht zwischen wahrgenommenem Bedarf und Besorgnis dar, anstatt einer globalen BMQ-Gesamtzahlvon 25,26,34. Ein niedrigerer Wert kann schwächere Notstandsüberzeugungen, stärkere Anliegen oder beides widerspiegeln. Wiederholte Anwendung kann Klinikern helfen, die veränderte Komponente zu erkennen und die Beratung entsprechend anzupassen, aber die vorliegenden Analysen können nicht feststellen, ob Veränderungen in den Überzeugungen den Anpassungen der Treue vorausgingen. Die Fragebogenantworten können auch vom Gesundheitszustand und der Behandlungserfahrung beeinflusst werden. Item-Level-Aufzeichnungen und das genaue chinesische Instrument sollten überprüft werden, bevor mechanistische Schlüsse gezogen werden.

Familien-APGAR misst ähnlich die wahrgenommene familiäre Funktion statt der objektiv beobachteten Pflege27,28. Während der Schlaganfallerholung können Veränderungen der Behinderung, tägliche Aktivitäten, psychische Belastung, Belastung durch Pflegekräfte, Haushaltsrollen und kulturell geprägte Erwartungen beeinflussen, wie Unterstützung erlebt wird 35,36,37,38,39,40. Der Rückgang von Familien-APGAR sollte daher als Zusammenhang innerhalb dieser Kohorte beschrieben werden, nicht als Hinweis darauf, dass Familienunterhalt zwangsläufig abfällt oder Nicht-Adhärenz verursacht. Das Ergebnis unterstützt dennoch die Beteiligung der Pflegekräfte bei Nachsorge und wiederholter Bewertung praktischer Unterstützungs- und Behandlungsrollen.

Das überarbeitete Vorhersagemodell ist für die Verwendung nach dem Nachfolgetest am 30. Tag vorgesehen, da bei dieser Bewertung zwei psychosoziale Prädiktoren gesammelt wurden. Ambulante Besuche nach der Entlassung nach Tag 30 wurden ausgeschlossen, um zeitliche Mehrdeutigkeit zu verringern. Höhere BMQ-NCD- und Familien-APGAR-Werte am Tag 30 waren mit höheren Wahrscheinlichkeiten für gute Therapietreue am Tag 180 verbunden, was den potenziellen Wert einer frühen psychosozialen Neubewertung unterstützt. Ambulante Besuche nach der Entlassung wurden ausgeschlossen, da sie zeitgleich mit dem Ergebnisfenster liegen und zeitliche Unklarheiten verursachen könnten. Städtischer Wohnsitz kann Zugang, Medikamentenverfügbarkeit oder Versorgungskontinuität darstellen, aber diese Mechanismen wurden nicht gemessen, und der Aufenthalt sollte nicht kausal interpretiert werden. Höhere Baseline-BMQ-NCD- und Familien-APGAR-Werte waren mit höheren Chancen auf gute Therapietreue verbunden, was den potenziellen Wert der psychosozialen Bewertung bei der Entlassung unterstützt. Männliches Geschlecht war mit geringeren Wahrscheinlichkeiten verbunden, aber dieser Koeffizient ist statistisch fragil, da nur fünf Frauen in der Gruppe mit schlechter Treue waren. Residuelle Störungen, Effekte mit wenigen Daten und zentrumsspezifische Versorgungsmuster bleiben plausibel.

Der scheinbare AUC von 0,879 und der optimistisch korrigierte AUC von 0,867 deuten auf eine gute Unterscheidung innerhalb der 191 vollständigen Fälle hin. Der scheinbare Brier-Wert von 0,118 und die optimistisch korrigierte Kalibrierungssteigung von 0,923 liefern ergänzende Informationen zu Vorhersagefehler und Kalibrierung. Die Bootstrap-Korrektur verringert den Optimismus, wenn die Modellleistung auf der Entwicklungsprobe bewertet wird, stellt aber keine Transportabilität fest. Diese Schätzungen zeigen keine Überlegenheit gegenüber anderen Modellen, keine Bereitschaft für die Ressourcenzuweisung oder eine validierte Wahrscheinlichkeitsschwelle für klinische Entscheidungen. Das Nomogramm ist eine Darstellung der angepassten Gleichung. Eine unabhängige temporale oder multizentrische Validierung, mit gegebenenfalls einer Neukalibrierung, ist erforderlich, bevor sie zur Steuerung der Patientenversorgung verwendet wird.

Neuere computergestützte Studien fügen Methoden hinzu, die in der ursprünglichen Übersicht fehlen: ungleichgewichtsbewusste Merkmalsauswahl in hochdimensionalen Krebsdaten41, mHealth-Unterstützung für Menschen mit Demenz und Pflegepersonen42, Merkmalsauswahlstrategien für große medizinische Datenbanken43, ADASYN-unterstütztes Deep Learning zur Schlaganfallvorhersage44 und breitere maschinelle Lern-Gesundheitsüberwachungsrahmen45. Diese sind nützliche Vergleicher, aber ihre diagnostischen, hochdimensionalen oder sensororientierten Ziele unterscheiden sich von unserem 191-Teilnehmer-Vier-Prädiktor-Adhärenzmodell. Zukünftige externe Datensätze sollten vordefinierte logistische Regressionen mit bestraften und maschinellen Lernansätzen vergleichen und dabei Kalibrierung und klinischen Nutzen berichten.

Mehrere Einschränkungen definieren den Umfang der Ergebnisse. Die Einzel-Center-Convenience-Stichprobe begrenzt die Generalisierbarkeit, und die vollständige Fallanalyse schloss 19 der 210 eingeschriebenen Teilnehmer aus, die die Nachfolge nicht abgeschlossen hatten; Obwohl ihr Fluss dokumentiert wurde, bleibt Abnutzungsbias möglich, und es wurden keine Ergebniswerte berechnet. Drei Bewertungspunkte können kürzlichere Schwankungen nicht erfassen, und der 180-Tage-Horizont charakterisiert weder längerfristige Persistenz noch wiederkehrende Gefäßergebnisse. Die Selbstanzeige wurde nicht mit Abgabedaten, Tablettenzählungen oder elektronischer Überwachung abgeglichen. Die Stichprobe begrenzt zudem eine detaillierte Untergruppenanalyse und kann instabile Koeffizienten für dünne Kategorien liefern. Stärken sind nicht überlappende Intervalle, explizite Multi-Medikamenten-Regeln, der Einsatz vordefinierter demografischer und 30-Tage-psychosozialer Prädiktoren sowie interne Validierung durch Bootstraps. Zukünftige Studien sollten Interviews mit Nachfüll- oder elektronischen Messungen verknüpfen, den Befragtentyp dokumentieren, die Nachverfolgung auf 12 Monate verlängern und das Modell in unabhängigen Kohorten bewerten.

Fazit

Abschließend definiert dieses Protokoll drei Nach-Entlassungsbewertungen der selbstberichteten Medikamenteneinnahme und ein interpretierbares Day-180-Modell, das auf vier vordefinierte klinische und psychosoziale Prädiktoren beschränkt ist. Das Modell zeigte eine vielversprechende interne Leistung in der vollständigen Fallkohorte, erfordert jedoch eine unabhängige externe Validierung vor der klinischen Implementierung.

Offenlegungen

Alle Autoren haben keine Interessenkonflikte offengelegt.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Analysis ScriptStudy AuthorsJoVE_Analysis_Script.py (Uploaded as supplementary material)
Chinese Beliefs about Medicines Questionnaire-Specific (BMQ-Specific)Original: Prof. Robert Horne.
Chinese validation: Jiang S. et al. / Nie B. et al. (as cited in text)		Authorized Chinese Version. Administered via structured interview. Permission obtained from the original developer/copyright holder.
Chinese Family APGAR IndexOriginal: Dr. Gabriel Smilkstein.
Chinese application: Smilkstein G. et al. (as cited in text)		Validated Chinese translation. Version: 5-item scale. Open access/Public domain for clinical research.
Chinese National Institutes of Health Stroke Scale (NIHSS)Original: National Institutes of Health (NIH).
Chinese validation: Lyden P.D. et al. (as cited in text)		Validated Chinese version. 11-item clinical scale (0-42). Open access.
MatplotlibThe Matplotlib development teamVersion 3.10.6. Open source (https://matplotlib.org/)
NumPyThe NumPy communityVersion 2.3.3. Open source (https://numpy.org/)
PythonPython Software FoundationVersion 3.13.5 (64-bit Windows environment). Open source (https://www.python.org/)
pandasThe pandas development team (NumFOCUS)Version 2.3.3. Open source (https://pandas.pydata.org/)
SciPyThe SciPy communityVersion 1.16.2. Open source (https://scipy.org/)

Referenzen

  1. Sacco RL, Kasner SE, Broderick JP, et al. An updated definition of stroke for the 21st century: a statement for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2013;44(7):2064-2089.
  2. GBD 2019 Stroke Collaborators. Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet Neurol. 2021;20(10):795-820.
  3. Zhao Y, et al. Increasing burden of stroke in China: a systematic review and meta-analysis of prevalence, incidence, mortality, and case fatality. Int J Stroke. 2022;17(10):1083-1092.
  4. Chen Y, et al. Mortality and recurrent vascular events after first incident stroke: a 9-year community-based study of 0.5 million Chinese adults. Lancet Glob Health. 2020;8(4):e580-e590.
  5. Robba C, van Dijk EJ, van der Jagt M. Acute ischaemic stroke and its challenges for the intensivist. Eur Heart J Acute Cardiovasc Care. 2022;11(3):258-268.
  6. Peng Y, et al. Long-term survival, stroke recurrence, and life expectancy after an acute stroke in Australia and New Zealand from 2008-2017: a population-wide cohort study. Stroke. 2022;53(8):2538-2548.
  7. Flach C, et al. Risk and secondary prevention of stroke recurrence: a population-based cohort study. Stroke. 2020;51(8):2435-2444.
  8. Law MR, Morris JK, Wald NJ. Use of blood pressure lowering drugs in the prevention of cardiovascular disease: meta-analysis of 147 randomised trials. BMJ. 2009;338:b1665.
  9. Chen W, et al. Recurrent stroke in minor ischemic stroke or transient ischemic attack with metabolic syndrome and/or diabetes mellitus. J Am Heart Assoc. 2017;6(6):e005446.
  10. Li Q, et al. Prevalence of stroke and vascular risk factors in China: a nationwide community-based study. Sci Rep. 2017;7(1):6402.
  11. Kernan WN, et al. Guidelines for the prevention of stroke in patients with stroke and transient ischemic attack: a guideline for healthcare professionals from the American Heart Association/American Stroke Association. Stroke. 2014;45(7):2160-2236.
  12. Dawson J, et al. European Stroke Organisation (ESO) guideline on pharmacological interventions for long-term secondary prevention after ischaemic stroke or TIA. Eur Stroke J. 2022;7(3):I-II.
  13. Gladstone DJ, et al. Canadian Stroke Best Practice Recommendations: secondary prevention of stroke update 2020. Can J Neurol Sci. 2022;49(3):315-337.
  14. Xie W, et al. Long-term antiplatelet mono- and dual therapies after ischemic stroke or transient ischemic attack: network meta-analysis. J Am Heart Assoc. 2015;4(8):e002259.
  15. Cramer JA, et al. Medication adherence and persistence: terminology and definitions. Value Health. 2008;11(1):44-47.
  16. Hill MN, Miller NH, De Geest S, et al. ASH position paper: adherence and persistence with taking medication to control high blood pressure. J Clin Hypertens (Greenwich). 2010;12(10):757-764.
  17. Dalli LL, et al. Greater adherence to secondary prevention medications improves survival after stroke or transient ischemic attack: a linked registry study. Stroke. 2021;52(11):3569-3577.
  18. Yeo SH, et al. Impact of medication nonadherence on stroke recurrence and mortality in patients after first-ever ischemic stroke: insights from registry data in Singapore. Pharmacoepidemiol Drug Saf. 2020;29(5):538-549.
  19. Flint AC, et al. Statin adherence is associated with reduced recurrent stroke risk in patients with or without atrial fibrillation. Stroke. 2017;48(7):1788-1794.
  20. Bushnell CD, et al. Secondary preventive medication persistence and adherence 1 year after stroke. Neurology. 2011;77(12):1182-1190.
  21. Mansoor H, et al. Sex differences in prescription patterns and medication adherence to guideline-directed medical therapy among patients with ischemic stroke. Stroke. 2025;56(2):318-325.
  22. Ullberg T, et al. Associations between ischemic stroke follow-up, socioeconomic status, and adherence to secondary preventive drugs in southern Sweden. Neuroepidemiology. 2017;48(1-2):32-38.
  23. Hodson T, Gustafsson L, Cornwell P. Unveiling the complexities of mild stroke: an interpretative phenomenological analysis of the mild stroke experience. Aust Occup Ther J. 2019;66(5):656-664.
  24. Horne R, Weinman J. Predicting treatment adherence: an overview of theoretical models. In: The Handbook of Health Behavior Change. 5th ed. 2020. DOI:10.1201/9781003072348-4.
  25. Horne R, Weinman J, Hankins M. The Beliefs about Medicines Questionnaire: the development and evaluation of a new method for assessing the cognitive representation of medication. Psychol Health. 1999;14(1):1-24.
  26. Nie B, et al. Utilization of the Beliefs about Medicines Questionnaire and prediction of medication adherence in China: a systematic review and meta-analysis. J Psychosom Res. 2019;122:54-68.
  27. Smilkstein G, Ashworth C, Montano D. Validity and reliability of the Family APGAR as a test of family function. J Fam Pract. 1982;15(2):303-311.
  28. Zhang Y. Family functioning in the context of an adult family member with illness: a concept analysis. J Clin Nurs. 2018;27(15-16):3205-3224.
  29. Lyden PD, et al. A modified National Institutes of Health Stroke Scale for use in stroke clinical trials: preliminary reliability and validity. Stroke. 2001;32(6):1310-1317.
  30. Banks JL, Marotta CA. Outcomes validity and reliability of the modified Rankin Scale: implications for stroke clinical trials: a literature review and synthesis. Stroke. 2007;38(3):1091-1096.
  31. Mayberry LS, Osborn CY. Family support, medication adherence, and glycemic control among adults with type 2 diabetes. Diabetes Care. 2012;35(6):1239-1245.
  32. Al-Arkee S, et al. Mobile apps to improve medication adherence in cardiovascular disease: systematic review and meta-analysis. J Med Internet Res. 2021;23(5):e24190.
  33. Zhang Y, et al. Treatment adherence and secondary prevention of ischemic stroke among discharged patients using mobile phone- and WeChat-based improvement services: cohort study. JMIR Mhealth Uhealth. 2020;8(6):e16496.
  34. Jiang S, et al. Relationship between medication literacy and beliefs among persons with type 2 diabetes mellitus in Guangdong, China. Patient Prefer Adherence. 2023;17:2039-2050.
  35. Liu KF, et al. Time-varying risk factors associated with the progress of functional recovery and psychological distress in first-ever stroke patients. J Neurosci Nurs. 2022;54(2):80-85.
  36. Ytterberg C, et al. Perceived impact of stroke six years after onset, and changes in impact between one and six years. J Rehabil Med. 2017;49(8):637-643.
  37. Pai HC, et al. Change in activities of daily living in the year following a stroke: a latent growth curve analysis. Nurs Res. 2018;67(4):286-293.
  38. Cao JX, Chen XP. Research progress of the living conditions for family caregivers of stroke survivors. J Nurs. 2010;17:9-11.
  39. Pan Y, Jones PS, Winslow BW. The relationship between mutuality, filial piety and depression in family caregivers in China. J Transcult Nurs. 2017;28(5):455-463.
  40. Chung ML, et al. Depressive symptom trajectories in family caregivers of stroke survivors during first year of caregiving. J Cardiovasc Nurs. 2021;36(3):254-262.
  41. Aliyu BS, et al. Enhanced feature selection for imbalanced microarray cancer gene classification using chaotic salp swarm algorithm. Int J Theor Appl Comput Intell. 2025;2025:258-283.
  42. Yousaf K, et al. Mobile-health applications for the efficient delivery of health care facility to people with dementia (PwD) and support to their carers: a survey. Biomed Res Int. 2019;2019:7151475.
  43. Karimi M, et al. Feature selection methods in big medical databases: a comprehensive survey. Int J Theor Appl Comput Intell. 2025;2025:181-209.
  44. Rehman A. Brain stroke prediction through deep learning techniques with ADASYN strategy. In: 2023 16th International Conference on Developments in eSystems Engineering (DeSE); 2023. p. 679-684.
  45. Kurdi SZ. Machine learning-based classification framework for human health care monitoring. Int J Theor Appl Comput Intell. 2026;2026:1-15.

Nachdrucke und Genehmigungen

Schlagwörter

Sekund rpr ventionselbstberichtete Adh renzlogistisches ModellFamilien APGARBMQ spezifischst dtischer Wohnort
Kontakt
Rückmeldung an Ihre Bibliothek

Datenschutz

Nutzungsbedingungen

Richtlinien

Copyright © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.