Artículo de método

Monitorización longitudinal y modelado predictivo de la adherencia a la medicación en pacientes con ictus isquémico

52 vistas

⸱

DOI:

10.3791/71636

⸱

11 de agosto de 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

En este artículo

Resumen

Este protocolo describe una evaluación telefónica estructurada de la toma autoinformada de medicación a los 30, 90 y 180 días después del alta, así como el desarrollo interno de un modelo de predicción de seguimiento temprano para supervivientes de ictus isquémico. El protocolo separa la ingesta autoinformada de la PDC basada en farmacia y utiliza predictores demográficos predefinidos y predictores psicosociales del día 30.

Resumen

La adherencia a la medicación es fundamental para la prevención secundaria tras un ictus isquémico, pero la adherencia auto-reportada puede cambiar durante el seguimiento. En este marco longitudinal de un solo centro, se inscribiron 210 participantes y 191 completaron la evaluación de 180 días. La toma de medicación se evaluó mediante una entrevista telefónica estructurada para los días 1–30, 31–90 y 91–180, y se clasificó como buena cuando el porcentaje compuesto ponderado por día de exposición era al menos del 80%. El APGAR chino BMQ-Específico y Familiar se administró en el día 30, día 90 y día 180. Un modelo logístico de cuatro predictores utilizó la residencia, sexo, BMQ-NCD del día 30 y APGAR familiar del día 30, y fue validado internamente con 1.000 muestras bootstrap. Entre los 191 casos completos, la buena adherencia fue del 84,3% (IC 95%, 78,3%–89,1%) al día 30, 77,0% (IC 95%, 70,3%–82,7%) al día 90 y 72,8% (IC 95%, 65,9%–79,0%) al día 180. Residencia urbana, sexo masculino, QM-NCD en el día 30 y puntuación APGAR familiar en el día 30 se asociaron con la adherencia al día 180. El AUC aparente fue de 0,879 (IC 95%, 0,821–0,928), y el AUC corregido por optimismo fue de 0,867. El protocolo proporciona un marco reproducible para la evaluación longitudinal de la adherencia auto-reportada y un modelo de predicción del día 30 validado internamente. Se requieren validaciones externas y medidas objetivas de adherencia antes de la implementación clínica.

Introducción

El ictus sigue siendo una de las principales causas de discapacidad y mortalidad a largo plazo en todo el mundo, lo que requiere una definición clínica refinada que tenga en cuenta tanto la evidencia patológica como la de imagen1. A pesar de los avances en las intervenciones agudas, la carga global del ictus sigue aumentando, siendo el ictus isquémico la gran mayoría delos casos 2. Esta tendencia es especialmente pronunciada en China, donde la prevalencia de factores de riesgo vascular ha alcanzado niveles críticos, lo que supone una enorme presión sobre el sistemasanitario. La evidencia sugiere que los supervivientes de un primer ictus enfrentan un alto riesgo de eventos vasculares recurrentes, con estudios comunitarios que destacan la persistente vulnerabilidad de estapoblación 4. Aunque el manejo de la fase aguda presenta desafíossignificativos 5, la supervivencia a largo plazo y la esperanza de vida de estos pacientes están dictadas principalmente por la eficacia de las estrategias de prevenciónsecundaria 6,7.

La base de la prevención secundaria implica un manejo farmacológico riguroso, incluyendo la reducción de la presión arterial y la terapiaantiplaquetaria 8,9,10. Las directrices internacionales de la Asociación Americana del Corazón (AHA), la Organización Europea de Ictus (ESO) y las Recomendaciones Canadienses de Mejores Prácticas para el Ictus enfatizan que el cumplimiento de estos regímenes es esencial para prevenir larecurrencia 11,12,13,14. No obstante, la utilidad clínica de estas intervenciones suele verse socavada por una mala adherencia a lamedicación 15,16. La adherencia a la medicación es una estructura multidimensional que incluye tanto la iniciación como lapersistencia 15,17. Datos recientes del registro indican que una mayor adherencia a medicamentos secundarios de prevención mejora significativamente la supervivencia y reduce las tasas derecurrencia 17,18. Por ejemplo, la adherencia a las estatinas se ha asociado de forma independiente con un riesgo reducidode recurrencia 19.

A pesar de estos beneficios, los estudios longitudinales observan una significativa "decadencia temporal" en las tasas de adherencia durante el primer año tras elalta. Aunque factores demográficos como las diferencias de sexo y el estatus socioeconómico influyen en lapersistencia 21,22, hay un reconocimiento creciente del papel de los factores psicosociales y cognitivos en la configuración del comportamiento delpaciente 23,24. El Cuestionario de Creencias sobre los Medicamentos (BMQ) ha surgido como una herramienta validada para evaluar la representación cognitiva de la medicación a través del marco "Necesidad-Preocupaciones" 25. Las revisiones sistemáticas han demostrado que las puntuaciones de BMQ son predictores robustos de la adherencia en diversas condiciones crónicas enChina 26. De manera similar, el entorno social, especialmente el funcionamiento familiar, desempeña un papel fundamental. El Índice APGAR Familiar proporciona una medida fiable del apoyo percibido, lo cual es fundamental para los pacientes que navegan por las complejidades de la vida tras unictus 27,28.

Aunque el NIHSS y la Escala de Rankin modificada describen la gravedad neurológica y el resultadofuncional 29,30, no miden directamente las creencias sobre medicación ni el funcionamiento familiarpercibido 31. Se han estudiado servicios de salud móvil y basados en WeChat, ya que la adherenciaapoya a 32,33. Por tanto, el protocolo actual tiene dos objetivos: definir la evaluación de la toma de medicación en el día 30, día 90 y día 180 utilizando terminología consistente, y desarrollar un modelo interpretable de adherencia al día 180 utilizando variables demográficas y psicosociales predefinidas recogidas durante el estudio.

Protocolo

El protocolo fue aprobado por el Comité de Ética en Investigación Biomédica del Hospital de China Occidental de la Universidad de Sichuan (Revisión nº 2021 (1303); fecha de aprobación: 8 de noviembre de 2021). Todos los procedimientos reportados se llevaron a cabo de acuerdo con los requisitos del comité y el protocolo aprobado. El conjunto de datos analítico completo se proporciona en el Archivo Suplementario 1.

1. Cribado de pacientes e inscripción basal

  1. Identificar posibles participantes a partir de los registros hospitalarios del Departamento de Neurología. Selecciona a los pacientes diagnosticados con ictus isquémico agudo mediante resonancia magnética (RM) o tomografía computarizada (TC). Registrar el número total de individuos inicialmente evaluados para establecer el grupo base para el diagrama de flujo de participantes.
  2. Examinar a los pacientes según los criterios de inclusión preestablecidos. Incluir a adultos con ictus isquémico agudo confirmado por imagen que puedan realizar la entrevista por sí mismos o a través de un representante legalmente autorizado.
  3. Aplica criterios de exclusión. Excluir a los pacientes con antecedentes de enfermedad mental grave, deterioro cognitivo (determinado por registros clínicos) o una esperanza de vida inferior a seis meses. Documenta las razones exactas y los números correspondientes para cualquier exclusión en esta etapa (por ejemplo, limitaciones de esperanza de vida o negativa a dar consentimiento).
  4. Antes de la inscripción, obtén el consentimiento informado por escrito del paciente o, cuando el paciente no pueda dar su consentimiento, de un representante legalmente autorizado, utilizando el formulario de consentimiento informado aprobado por el comité. Explique el diseño longitudinal del estudio, las evaluaciones telefónicas y el calendario de seguimiento de 180 días antes de la firma. Registrar la identidad y el papel de la persona que consiente, la fecha de consentimiento y el miembro del personal del estudio que obtuvo el consentimiento.
  5. Recopilar datos demográficos y clínicos de referencia en un plazo de 48 horas desde la admisión. Registra edad, sexo, residencia, nivel educativo e ingresos mensuales utilizando un formulario estandarizado de informe de caso.
  6. Al alta, un clínico especializado en ictus administrado el NIHSS chino validado utilizando sus 11 ítems estándar puntuados y un rango total de 0–4229. Registra la puntuación total, el papel del evaluador y el estado de formación, la fecha de la evaluación y la duración de la estancia hospitalaria.
  7. Administrar el BMQ chino autorizado mediante una entrevista presencial estructurada antes de la alta y por teléfono en el día 30, día 90 y día 18025,34.
    NOTA: El instrumento contiene cinco ítems de Necesidad y cinco ítems de Preocupaciones. Puntuar cada ítem del 1 (totalmente en desacuerdo) al 5 (totalmente de acuerdo), y sumar los cinco ítems de cada subescala; Totales de Necesidad y Preocupaciones, por lo que cada uno oscila entre 5 y 25.
  8. Calcular la diferencial de necesidades y preocupaciones (BMQ-NCD) como Necesidad menos Preocupaciones (rango, -20 a 20). Una mayor necesidad y valores más altos de BMQ-NCD indican una mayor percepción de necesidad en relación con las preocupaciones, mientras que un valor de preocupación más alto indica una mayor aprensión.
    NOTA: Exigir las cinco respuestas para cada subescala; de lo contrario, codifica esa subescala y el BMQ-NCD como ausentes. Utiliza el día 30 BMQ-NCD como predictor continuo del modelo. Al mismo tiempo, administrar el APGAR27 de la Familia China.
  9. Puntua Adaptación, Asociación, Crecimiento, Afecto y Determinación como 0 (casi nunca), 1 (a veces) o 2 (casi siempre), y sumar los cinco elementos a un total entero de 0 a 10; puntuaciones más altas indican una mejor percepción de funcionamiento familiar. Si falta algún objeto de APGAR familiar, codifica el total como faltante. Registra las versiones del instrumento, autorización, administrador, encuestado, fecha, respuestas a ítems, totales subescalas y puntuaciones totales en el formulario de informe de caso.

2. Preparación del alta y educación del paciente

  1. Realiza una sesión estandarizada de asesoramiento sobre medicación antes del alta. Proporciona una lista escrita de medicamentos secundarios de prevención prescritos, incluyendo antiplaquetarios, estatinas y antihipertensivos.
  2. Instruye al paciente y a su cuidador principal sobre la importancia de la adherencia a la medicación. Demuestra cómo registrar la toma de medicación si el paciente tiene intención de usar un búnker o un diario de lacte.
  3. Verifica el número de teléfono principal del paciente. Establecer una ventana temporal preferida para futuras llamadas de seguimiento para minimizar la pérdida y asegurar una alta tasa de respuesta.

3. Seguimiento longitudinal posterior al alta (día 30, día 90 y día 180)

  1. Realiza la primera entrevista telefónica estructurada al día 30 tras el alta (ventana objetivo, más o menos 3 días). Para cada clase de medicamentos de prevención secundaria prescrita durante los días 1–30, anota el nombre de la clase, la frecuencia diaria de dosis prescrita, el número de días de exposición y el número autodeclarado de días de admisión a la clase durante los días 1–30.
    1. Registrar al encuestado (paciente o cuidador principal que gestiona la medicación), la fecha de contacto, los cambios en el régimen, las interrupciones temporales dirigidas por el médico y los motivos de la incumplición. En la misma entrevista, administrar el APGAR BMQ-Específico y Familiar y registrar las puntuaciones del día 30
  2. Realiza la segunda entrevista al día 90 (ventana objetivo, más o menos 7 días). Repite las preguntas específicas de la clase sobre medicación durante los días no solapados del intervalo 31–90 y administra el BMQ y el APGAR familiar. No pidas al participante que reconstruya los días 1–30 de nuevo; conservar el registro del día 30 como fuente para ese intervalo.
  3. Realiza la entrevista final en el día 180 (ventana objetivo, más o menos 7 días). Repite las preguntas específicas de la clase para los días no solapados del intervalo 91–180, administra el BMQ y el APGAR familiar, y registra los 180 mRS del día cuando esté disponible.
  4. Utiliza el mismo formulario de entrevista estructurado y la misma regla de entrevistado en las tres consultas de seguimiento. Cuando un paciente no puede responder debido a un deterioro cognitivo, lingüístico o físico, utiliza al cuidador que gestiona el régimen de medicación y registra esa sustitución. No reclames una verificación por recuento de pastillas, diario, farmacia o que cega al entrevistador a menos que esté documentada en los registros de origen.
  5. Registra las visitas ambulatorias solo para seguimiento descriptivo. No incluyas ninguna variable de utilización posterior al altazo en un modelo de predicción destinado a usarse después de la evaluación del día 30.
  6. Define la línea base como la evaluación hospitalaria/alta y etiqueta las evaluaciones de adherencia por hora del calendario (día 30, día 90 y día 180), en lugar de T1, T2 y T3. Esto evita el conflicto previo en el que T1 se refería tanto a la línea base como al día 30.

4. Cuantificación de la adherencia auto-reportada a la medicación

  1. No utilice el término PDC a menos que la adhesión se derive de los registros de dispensación o reposición. Tratar la terapia antitrombótica (antiplaquetario u anticoagulante oral, según sea indicado), la terapia para reducir lípidos, la terapia antihipertensiva y la terapia para reducir la glucosa como clases secundarias separadas de prevención solo cuando se prescriban a ese participante.
    1. Para cada clase prescrita, se define un día de adherencia a la clase como el día en el que, según se informa, se tomó cada dosis programada en esa clase; La omisión de cualquier dosis programada hace que ese día de clase sea no adherente. Las interrupciones, sustituciones y retenciones temporales ordenadas por el médico no se cuentan como exposición esperada días después de la fecha de vigencia documentada.
    2. Calcular el porcentaje compuesto de adherencia autodeclarada por intervalos como 100 multiplicado por la suma de días de adherencia a clase en las clases prescritas dividido por la suma de días esperados de exposición a clase en esas clases. Este cálculo ponderado por día de exposición acomoda diferentes duraciones de prescripción y es equivalente a la media de proporciones específicas de clase solo cuando cada clase se prescribe para el mismo número de días. Utiliza los días 1–30 para el valor del día 30, los días 31–90 para el valor del día 90 y los días 91–180 para el valor del día 180.
  2. En cada seguimiento, clasifica la buena adherencia como una proporción autodeclarada de días adherentes de al menos el 80% y la baja adherencia como inferior al 80%. Considerar como falta las evaluaciones de adherencia que no existen; No los recalces en la categoría de mala adherencia.

5. Integración de datos, análisis longitudinal y modelado predictivo

  1. Realizar el análisis reproducible utilizando el lenguaje de programación Python (versión 3.13.5) con librerías para manipulación de datos, cálculo numérico, análisis estadístico y visualización en un sistema operativo Windows de 64 bits. Establece la semilla aleatoria en 71636 y codifica los valores faltantes como NA. Si el equipo final usa R, sustituye esta sección por la versión ejecutada exacta de R, las versiones de los paquetes, funciones y script; No informes de un flujo de trabajo de software no ejecutado.
  2. Resume las proporciones de buena adherencia en el día 30, día 90 y día 180 con intervalos de confianza exactos Clopper-Pearson de doble lado del 95%. Analizar el cambio general en la adherencia binaria por parejas con la prueba Q de Cochran, seguida de pruebas de McNemar exactas con corrección de Bonferroni.
  3. Analizar BMQ-NCD y APGAR familiar durante el día 30, día 90 y día 180 entre casos completos utilizando la prueba de Friedman. Cuando la prueba omnibus sea significativa, realiza comparaciones de rangos signados de Wilcoxon emparejados con corrección de Bonferroni. Informa de medianas y rangos intercuartiles además de medias y desviaciones estándar. Calcular los totales individuales de la escala a partir de respuestas a nivel de ítem antes del análisis; No analice valores interpolados o suavizados manualmente de cuestionarios.
  4. Defina el resultado del día 180 como una buena adherencia = 1 y una mala adherencia = 0. Reajustar una regresión logística multivariable del día 30 usando cuatro predictores preespecificados: residencia (Urbano = 1; Rural = 0), sexo (Masculino = 1; Mujer = 0), día 30 BMQ-NCD (continuo) y día 30 Puntuación APGAR familiar (continuo). No utilices visitas de seguimiento ambulatorias. Evita describir el cribado univariante o la selección hacia atrás a menos que ese procedimiento se haya ejecutado y documentado en código.
  5. Especificar la ecuación ajustada completa: logit[P(buena adherencia en el día 180)] = -10.3811 + 1.2921(Urbano) - 1.5215(Hombres) + 0.5211(BMQ-NCD) + 0.6887(APGAR Familiar). Genera el nomograma directamente a partir de estos coeficientes no redondeados y utiliza etiquetas orientadas al lector, categorías de referencia, rangos de puntuación y direccionalidad.
  6. Evalúa la discriminación con el AUC de la ROC y un intervalo de confianza del 95% entre percentil y bootstrap. Evalúa el error de predicción global con la puntuación Brier y la calibración con un gráfico de calibración y la pendiente de calibración. Informa el rendimiento aparente por separado del rendimiento corregido por optimismo.
  7. Realiza 1.000 remuestreos exitosos de bootstrap. En cada remuestreo, reajusta el modelo completo de cuatro predictores y estima el optimismo comparando el rendimiento en la muestra bootstrap con el rendimiento en la muestra original. Resta optimismo medio del rendimiento aparente.

6. Confidencialidad del paciente y seguridad de los datos

  1. Asegúrese de que toda la información identificable del paciente se elimine antes del análisis. Almacena el archivo maestro de enlace en un sistema institucional cifrado y protegido con contraseña, accesible solo para el personal autorizado del estudio.
  2. Asignar un ID alfanumérico único a cada participante en la inscripción. Utiliza este ID para todos los formularios de seguimiento y registros digitales posteriores.

Resultados

Implementación del protocolo estandarizado y estratificación de cohortes

El registro de flujo de participantes informa que se evaluaron 216 individuos, 6 fueron excluidos y 210 fueron inscritos. Se perdieron diecisiete antes de la evaluación del día 90, y dos participantes adicionales se perdieron antes del día 180, dejando 191 casos completos para los análisis longitudinales y de modelización (Figura suplementaria 1). Los 19 no completantes fueron documentados en el registro de cribado y seguimiento para la notificación del flujo de participantes, pero no se incluyeron en el conjunto de datos analítico y no se imputaron valores de resultado. Por tanto, el archivo de análisis contiene la cohorte de casos completos predefinida de 191 participantes.

En el día 180, 139 de 191 participantes fueron clasificados como con buena adherencia y 52 como con baja adherencia (Tabla 1). La residencia urbana y el sexo diferían entre grupos de adherencia en comparaciones univariantes, mientras que otras variables de referencia deberían informarse con sus estimaciones exactas de efecto y valores P, en lugar de describirse colectivamente como equilibrados. La célula femenina de mala adherencia contenía cinco participantes, por lo que las estimaciones relacionadas con el sexo requieren una interpretación cautelosa.

Caracterización cuantitativa de la decadencia y transiciones de adherencia

Entre los 191 casos completos, la buena adherencia fue del 84,3% (161/191; IC exacto del 95%, 78,3%–89,1%) para los días 1–30, 77,0% (147/191; 70,3%–82,7%) para los días 31–90 y 72,8% (139/191; 65,9%–79,0%) para los días 91–180 (Figura 2). La diferencia global de parejas fue significativa (Cochran Q = 31,0, df = 2, P < 0,001). Los patrones observados de día-30/día-90/día-180 fueron bueno/bueno/bueno (n = 138), bueno/bueno/pobre (n = 8), bueno/pobre/pobre (n = 15), pobre/bueno/pobre (n = 1) y pobre/pobre/pobre (n = 29) (Figura 3). Nos referimos a estas transiciones descriptivamente como adherencia-estado, sin implicar que se haya establecido un nuevo constructo conductual validado.

Sensibilidad y respuesta longitudinal de métricas psicosociales

Entre los casos completos, los valores medios de BMQ-NCD fueron 13,06 (DS 2,60) en el día 30, 12,06 (3,03) en el día 90 y 10,88 (3,84) en el día 180; Los valores medios de APGAR familiar fueron 8,20 (1,28), 7,79 (1,45) y 7,23 (1,84), respectivamente. Tanto las pruebas ómnibus de Friedman como las pruebas de Wilcoxon pares ajustadas por Bonferroni arrojaron P < 0,001 (Tabla 2; Figura 4). Los totales individuales del cuestionario deben regenerarse directamente a partir de los formularios de informe de caso a nivel de ítem antes de que se cierre el análisis final.

Ponderación de parámetros y síntesis de la herramienta predictiva

El modelo de predicción del día 30 mantuvo cuatro predictores preespecificados conservó cuatro predictores preespecificados (Tabla 3): residencia urbana (OR ajustada, 3,64; IC 95%, 1,54–8,62; P = 0,0033), sexo masculino (OR ajustado, 0,22; IC 95%, 0,06–0,76; P = 0,0174), día 30 BMQ-NCD por punto (OR ajustado, 1,68; IC 95%, 1,39–2,05; P < 0,001), y la puntuación APGAR familiar del día 30 por punto (OR ajustado, 1,99; IC 95%, 1,39–2,86; P < 0,001). La intercepción instalada fue de -10.3811. La Figura 5 muestra la misma codificación y escala de un punto que se usan en la Tabla 3, y la Figura 6 asigna los coeficientes no redondeados al nomograma.

Validación metodológica: Precisión y calibración

El AUC aparente del modelo fue de 0,879 (IC bootstrap 95%, 0,821–0,928), y el AUC corregido por optimismo tras 1.000 remuestreos exitosos fue de 0,867 (Figura 7). La puntuación aparente del Brier fue de 0,118, y la pendiente de calibración corregida por optimismo fue de 0,923. Estos valores describen el rendimiento interno en los 191 casos completos y no constituyen validación externa.

figure-results-1
Figura 1: Hoja de ruta operativa estandarizada para el monitoreo de la adherencia tras un ictus. Este diagrama ilustra el protocolo de cuatro fases implementado en el estudio: Fase 1 (Inscripción y línea inicial), Fase 2 (alta en cuidados agudos), Fase 3 (Seguimiento longitudinal sistemático) y Fase 4 (Evaluación y análisis de riesgos). Esta hoja de ruta sirve como Procedimiento Operativo Estándar (SOP) para la metodología propuesta. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-2
Figura 2: Proporciones longitudinales de buena adherencia. La cifra muestra proporciones de adherencia completa en el caso 1–30 en la evaluación del día 30 (84,3%), días 31–90 en la evaluación del día 90 (77,0%) y días 91–180 en la evaluación del día 180 (72,8%). Las barras de error son intervalos de confianza exactos de Clopper-Pearson al 95% de doble cara. La adherencia se clasificó como buena cuando el porcentaje compuesto autodeclarado ponderado por día de exposición era al menos del 80%. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-3
Figura 3: Transiciones individuales de adherencia-estado. El diagrama aluvial muestra la clasificación de adherencia buena o mala de cada participante en casos completos en el día 30, día 90 y día 180. Los anchos de las cintas representan el número de participantes. El término transición de estado de adherencia es descriptivo y no se presenta como un constructo previamente validado. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-4
Figura 4: Distribuciones familiares de APGAR y BMQ-NCD a lo largo del tiempo. Las cajas que representan (A) las distribuciones APGAR de la familia y (B) BMQ-NCD representan el rango intercuartíl, las líneas centrales la mediana, los valores de los bigotes dentro de 1,5 veces el rango intercuartiles y los puntos más allá de los bigotes observaciones individuales. Las comparaciones generales utilizan pruebas de Friedman; las comparaciones emparejadas utilizan pruebas de rango con signo de Wilcoxon con corrección de Bonferroni. BMQ-NCD es el total de Necesidad menos el total de Preocupaciones. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-5
Figura 5: Asociaciones ajustadas en el modelo de predicción del día 30. Los puntos son OR ajustados y las barras horizontales son IC del 95% para residencia urbana frente a rural, sexo masculino frente a femenino, y aumentos de un punto en el día inicial de BMQ-NCD y APGAR familiar. El eje horizontal es logarítmico, y la línea de referencia vertical denota OR = 1. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-6
Figura 6: Nomograma para la probabilidad internamente estimada de buena adherencia al día 180. El nomograma utiliza: residencia, sexo, BMQ-NCD del día 30 y puntuación APGAR familiar del día 30. Los valores predictores se mapean a puntos; el total de puntos corresponde con la probabilidad estimada. Un mayor BMQ-NCD indica que la necesidad percibida supera las preocupaciones, y un mayor APGAR familiar indica un mejor funcionamiento familiar percibido. El nomograma requiere validación externa antes de su uso clínico. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

figure-results-7
Figura 7: Validación interna del modelo de predicción del día 30. (A) La curva ROC muestra un AUC aparente de 0,879 (IC bootstrap 95%, 0,821-0,928) y un AUC corregido por optimismo de 0,867. (B) El panel de calibración compara las probabilidades predichas y observadas. La recta ideal denota calibración perfecta, la curva aparente describe la muestra ajustada, y la curva corregida por sesgo refleja una corrección de optimismo bootstrap de 1.000 remuestreos. Las líneas sombreadas o límite, si se muestran, representan límites de confianza del 95%; las marcas de alfombra muestran la distribución de probabilidades predichas. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

CaracterísticaTotal (N = 191)Baja adherencia (N = 52)Buena adhesión (N = 139)Valor P
Edad, años59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Grupo de edad, n (%)0.822
<65 años120 (62.8%)32 (61.5%)88 (63.3%)
>=65 años71 (37.2%)20 (38.5%)51 (36.7%)
Sexo, n (%)0.015
Femenino41 (21.5%)5 (9.6%)36 (25.9%)
Masculino150 (78.5%)47 (90.4%)103 (74.1%)
Residencia, n (%)<0,001
Rural92 (48.2%)36 (69.2%)56 (40.3%)
Urbano99 (51.8%)16 (30.8%)83 (59.7%)
Educación, n (%)0.224
Escuela primaria o inferior59 (30.9%)21 (40.4%)38 (27.3%)
Escuela secundaria50 (26.2%)13 (25.0%)37 (26.6%)
Instituto/técnico36 (18.8%)10 (19.2%)26 (18.7%)
Título universitario o superior46 (24.1%)8 (15.4%)38 (27.3%)
Estado civil, n (%)0.905
Casados175 (91.6%)47 (90.4%)128 (92.1%)
Soltero9 (4.7%)3 (5.8%)6 (4.3%)
Divorciado/viudo7 (3.7%)2 (3.8%)5 (3.6%)
Ocupación, n (%)0.138
Empleados/profesionales36 (18.8%)9 (17.3%)27 (19.4%)
Trabajador25 (13.1%)7 (13.5%)18 (12.9%)
Agricultor39 (20.4%)16 (30.8%)23 (16.5%)
Retirado45 (23.6%)7 (13.5%)38 (27.3%)
Autónomo/otros46 (24.1%)13 (25.0%)33 (23.7%)
Ingreso mensual, 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%)
Puntuación NIHSS al dar de alta2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Duración de la estancia hospitalaria, días8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tabla 1: Características de la población estudiada para validación metodológica (N = 191). Esta tabla resume los perfiles demográficos y clínicos de los participantes, estratificados según su estado de adherencia auto-reportada a la medicación a los 180 días (Buenos vs. Pobres). Las variables categóricas se presentan como frecuencias (n) y porcentajes (%). Los valores p se proporcionan para comparaciones descriptivas entre grupos y no se utilizaron para la selección de predictores. Por favor, haz clic aquí para descargar esta tabla.

MedidaDía 30, media +/- SDDía 90, media +/- SDDía 180, media +/- DSCambio (día 180 - día 30), media +/- DSChi cuadrado de Friedman (df = 2)Valor global P
Puntuación total BMQ-NCD13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0,001
Partitura APGAR familiar8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0,001

Tabla 2: Puntuaciones longitudinales de BMQ-NCD y APGAR familiar. Esta tabla informa cada escala en el día 30, día 90 y día 180 como media (DS) y mediana (IQR). Los valores p generales provienen de pruebas de Friedman; los valores P emparejados post-hoc provienen de pruebas de rango con signos de Wilcoxon con corrección de Bonferroni. BMQ-NCD es el total de Necesidades Específicas de la BMQ menos el total de preocupaciones (rango, -20 a 20).

Predictorβ coeficienteError estándarWald zValor POperación ajustada (IC 95%)Codificación / unidad
Interceptación-10.38112.0697-5.016<0,001—Interceptación de modelos
Residencia urbana1.29210.43962.940.00333.64 (1.54–8.62)Urbano vs rural (referencia)
Sexo masculino-1.52150.6395-2.3790.01740.22 (0.06–0.76)Hombre vs mujer (referencia)
Nivel base de BMQ-NCD0.52110.09955.238<0,0011.68 (1.39–2.05)Por cada aumento de 1 punto
APGAR familiar de referencia0.68870.18473.728<0,0011.99 (1.39–2.86)Por cada aumento de 1 punto

Tabla 3: Especificación completa de regresión logística multivariable para buena adherencia en el día 180 (N = 191). La tabla informa sobre los coeficientes de intercepto y regresión, errores estándar, estadísticas de Wald, valores P, ORs ajustados e intervalos de confianza del 95% para el modelo final de regresión logística multivariable. La buena adherencia se codifica 1, y la mala adherencia se codifica 0. Residencia es Urbana = 1 frente a Rural = 0; sexo es Masculino = 1 frente a Femenino = 0; El día 30 BMQ-NCD y el día 30 APGAR familiar se modelan por aumento de un punto.

Figura suplementaria 1: Flujo de participantes y selección de cohortes para el estudio longitudinal de adherencia a la medicación.Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 1: El conjunto de datos analítico completo. Por favor, haga clic aquí para descargar este archivo.

Discusión

Este estudio describe un protocolo telefónico longitudinal estandarizado y desarrolla internamente un modelo de predicción para el día 30 para la adherencia auto-reportada al medicamento al día 180 tras un ictus isquémico. Tres hallazgos son fundamentales. En primer lugar, la proporción clasificada como buena adherencia disminuyó del 84,3% en el día 30 al 77,0% en el día 90 y al 72,8% en el día 180. En segundo lugar, las puntuaciones de BMQ-NCD y APGAR familiar también disminuyeron en las evaluaciones programadas. En tercer lugar, la residencia urbana, el sexo, el día 30 BMQ-NCD y el día 30 de APGAR familiar se asociaron con adherencia al día 180 en el modelo preespecificado para el día 30. Estos hallazgos apoyan la evaluación repetida tras el alta, manteniendo a la vez la descripción y la predicción interna en lugar de la causalidad.

La reducción en la prevalencia de buena adherencia es coherente con investigaciones previas sobre ictus que muestran que la persistencia con medicamentos de prevención secundaria puede disminuir tras elalta 17,18,19,20. La mayoría de los participantes se mantuvieron en la categoría de buena adhesión a la de buena adherencia, mientras que el grupo con mayor cambio pasó de buena a baja adherencia. Este patrón sugiere que una entrevista temprana satisfactoria no debe tratarse como prueba de una toma prolongada de medicación. Clínicamente, la reevaluación del día 90 puede identificar a pacientes cuyo comportamiento cambió tras el periodo inmediato de recuperación, y la entrevista del día 180 ofrece una oportunidad posterior para revisar la complejidad del régimen, los efectos adversos, las barreras de acceso y la implicación del cuidador.

Una contribución metodológica importante es la separación de las tres ventanas de recuerdo no solapadas: días 1–30, días 31–90 y días 91–180. Este enfoque evita pedir repetidamente a los participantes que reconstruyan todo el periodo posterior al vertido y vincula cada estimación a un intervalo definido. El compuesto ponderado por día de exposición también incluye clases de medicación con diferentes duraciones prescritas. No obstante, sigue siendo una proporción autodeclarada de días adheridos a clases, no de PDC derivada de farmacia. Por tanto, el error de recuerdo y el sesgo de deseabilidad social pueden sobrestimar la ingestión. Los porcentajes observados deben interpretarse como estimaciones estructuradas en entrevistas en lugar de confirmación objetiva de que se dispensó o tomó medicación.

Los hallazgos longitudinales de BMQ-NCD proporcionan un posible contexto psicosocial para el patrón de adherencia. BMQ-NCD es la puntuación de Necesidad menos la puntuación de Preocupaciones y, por tanto, representa el equilibrio relativo entre la necesidad percibida y la aprensión, en lugar de un total global deBMQ de 25,26,34. Un valor más bajo puede reflejar creencias de necesidad más débiles, preocupaciones más fuertes, o ambas cosas. La administración repetida puede ayudar a los clínicos a identificar qué componente cambió y adaptar el asesoramiento en consecuencia, pero los análisis actuales no pueden determinar si los cambios en las creencias precedieron a los cambios en la adherencia. Las respuestas al cuestionario también pueden estar influenciadas por el estado de salud y la experiencia en el tratamiento. Los registros a nivel de ítem y el instrumento chino exacto deben verificarse antes de sacar conclusiones mecanicistas.

El APGAR familiar mide de manera similar el funcionamiento familiar percibido en lugar de la cantidad de cuidado observadoobjetivamente 27,28. Durante la recuperación tras un ictus, los cambios en la discapacidad, las actividades de la vida diaria, el malestar psicológico, la carga del cuidador, los roles en el hogar y las expectativas culturalmente formadas pueden alterar la forma en que se experimenta elapoyo 35,36,37,38,39,40. Por tanto, el descenso en la APGAR familiar debe describirse como una asociación dentro de esta cohorte, no como evidencia de que el apoyo familiar inevitablemente se deteriore o cause la falta de adhesión. No obstante, el resultado apoya la implicación del cuidador en el seguimiento y la evaluación repetida de los roles prácticos de apoyo y tratamiento.

El modelo de predicción revisado está pensado para usarse después del seguimiento del día 30 porque se recogieron dos predictores psicosociales en esa evaluación. Se excluyeron las consultas ambulatorias posteriores al alta que ocurrieron después del día 30 para reducir la ambigüedad temporal. Puntuaciones más altas en BMQ-NCD y APGAR familiar en el día 30 se asociaron con mayores probabilidades de buena adherencia en el día 180, lo que apoya el valor potencial de una reevaluación psicosocial temprana. Se excluyeron las visitas ambulatorias post-alta porque coinciden con la ventana de resultados y pueden introducir ambigüedad temporal. La residencia urbana puede representar acceso, disponibilidad de medicación o continuidad de la atención, pero estos mecanismos no se midieron y la residencia no debe interpretarse de forma causal. Puntuaciones más altas de BMQ-NCD y APGAR familiar se asociaron con mayores probabilidades de buena adherencia, lo que apoya el valor potencial de la evaluación psicosocial al alta. El sexo masculino se asoció con menores probabilidades, pero este coeficiente es estadísticamente frágil porque solo cinco mujeres estaban en el grupo de baja adherencia. Siguen siendo plausibles la confusión residual, los efectos de datos dispersos y los patrones de atención específicos de cada centro.

El AUC aparente de 0,879 y el AUC corregido por optimismo de 0,867 indican buena discriminación dentro de los 191 casos completos. La puntuación aparente de Brier de 0,118 y la pendiente de calibración corregida por optimismo de 0,923 proporcionan información complementaria sobre error de predicción y calibración. La corrección bootstrap reduce el optimismo cuando se evalúa el rendimiento del modelo en la muestra de desarrollo, pero no establece la transportabilidad. Estas estimaciones no demuestran superioridad respecto a otros modelos, preparación para la asignación de recursos ni un umbral de probabilidad validado para decisiones clínicas. El nomograma es una representación de la ecuación ajustada. Se requiere una validación temporal o multicéntrica independiente, con recalibración si es necesario, antes de utilizarse para dirigir la atención al paciente.

Estudios computacionales recientes añaden métodos ausentes en la revisión original: selección de características consciente del desequilibrio en datos de cáncer de altadimensión 41, soporte de mHealth para personas con demencia ycuidadores 42, estrategias de selección de características para grandes bases de datosmédicas 43, aprendizaje profundo apoyado por ADASYN para la predicción de ocurrencia de accidentes cerebrovasculares44, y marcos más amplios de monitoreo de salud por aprendizaje automático45. Estos son comparadores útiles, pero sus objetivos diagnósticos, de alta dimensión o orientados a sensores difieren de nuestro modelo de adherencia de cuatro predictores con 191 participantes. Los futuros conjuntos de datos externos deberían comparar la regresión logística predefinida con enfoques penalizados y de aprendizaje automático, al informar de la calibración y la utilidad clínica.

Varias limitaciones definen el alcance de los hallazgos. La muestra de conveniencia de un solo centro limita la generalizabilidad, y el análisis de casos completos excluyó a 19 de 210 participantes inscritos que no completaron el seguimiento; Aunque su flujo fue documentado, sigue siendo posible el sesgo de desgaste y no se imputaron valores de resultado. Tres puntos de evaluación no pueden captar fluctuaciones a corto plazo, y el horizonte de 180 días no caracteriza la persistencia a largo plazo ni los resultados vasculares recurrentes. El autoinforme no fue validado con datos de dispensación, recuento de pastillas ni monitorización electrónica. La muestra también limita el análisis detallado de subgrupos y puede dar coeficientes inestables para categorías dispersas. Las fortalezas incluyen intervalos no solapados, reglas explícitas para múltiples medicamentos, uso de predictores demográficos predefinidos y de los días 30, y validación interna bootstrap. Los estudios futuros deberían vincular las entrevistas con medidas de reposición o electrónicas, documentar el tipo de encuestado, extender el seguimiento a 12 meses y evaluar el modelo en cohortes independientes.

Conclusión

En conclusión, este protocolo define tres evaluaciones posteriores al alta de la toma autoinformada de medicación y un modelo interpretable de día 180 restringido a cuatro predictores clínicos y psicosociales predefinidos. El modelo mostró un rendimiento interno prometedor en la cohorte de casos completos, pero requiere validación externa independiente antes de la implementación clínica.

Divulgaciones

Todos los autores no han revelado conflictos de interés.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
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/)

Referencias

  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.

Reimpresiones y permisos

Etiquetas

Prevenci n secundariaadherencia autoinformadamodelo log sticoAPGAR familiarBMQ espec ficoresidencia urbana
Contáctenos
Recomendar a la biblioteca

Privacidad

Condiciones de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos los derechos reservados.