Article de méthode

Suivi longitudinal et modélisation prédictive de l’adhésion au traitement chez les patients ayant un AVC ischémique

52 vues

⸱

DOI :

10.3791/71636

⸱

11 août 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

Dans cet article

Résumé

Ce protocole décrit une évaluation téléphonique structurée de la prise de médicaments autodéclarée à 30, 90 et 180 jours après la sortie, ainsi que le développement interne d’un modèle de suivi précoce pour les survivants d’un AVC ischémique. Le protocole sépare l’ingestion auto-déclarée des PDC en pharmacie et utilise des prédicteurs démographiques prédéfinis et des prédicteurs psychosociaux du jour 30.

Résumé

L’adhésion au traitement est centrale à la prévention secondaire après un AVC ischémique, mais l’adhésion auto-déclarée peut changer lors du suivi. Dans ce cadre longitudinal à centre unique, 210 participants ont été inscrits et 191 ont complété l’évaluation de 180 jours. La prise de médicaments a été évaluée par un entretien téléphonique structuré pour les jours 1 à 30, 31 à 90 et 91 à 180, et a été classée comme bonne lorsque le pourcentage d’adhésion composite pondéré par jour d’exposition était d’au moins 80 %. Les APGAR spécifiques et familiaux chinois ont été administrés au jour 30, au jour 90 et au jour 180. Un modèle logistique à quatre prédicteurs utilisait la résidence, le sexe, le BMQ-NCD au jour 30 et l’APGAR familial au jour 30, et a été validé en interne avec 1 000 rééchantillons bootstrap. Parmi les 191 cas complets, une bonne adhésion était de 84,3 % (IC 95 %, 78,3 %–89,1 %) au jour 30, 77,0 % (IC 95 %, 70,3 %–82,7 %) au jour 90, et 72,8 % (IC 95 %, 65,9 %–79,0 %) au jour 180. La résidence urbaine, le sexe masculin, le QBM au jour 30 et le score APGAR familial au jour 30 étaient associés à une adhésion au jour 180. L’AUC apparent était de 0,879 (IC 95 %, 0,821–0,928), et l’AUC corrigé optimisme était de 0,867. Le protocole fournit un cadre reproductible pour l’évaluation longitudinale de l’adhésion auto-déclarée et un modèle de prédiction du jour 30 validé en interne. Des validations externes et des mesures objectives d’adhésion sont requises avant la mise en œuvre clinique.

Introduction

L’AVC reste une cause majeure d’invalidité et de mortalité à long terme dans le monde, nécessitant une définition clinique affinée qui prenne en compte à la fois les preuves pathologiques etd’imagerie 1. Malgré les avancées dans les interventions aiguës, le fardeau mondial de l’AVC continue d’augmenter, l’AVC ischémique représentant la grande majorité descas 2. Cette tendance est particulièrement marquée en Chine, où la prévalence des facteurs de risque vasculaires a atteint des niveaux critiques, mettant une pression énorme sur le systèmede santé 3. Les preuves suggèrent que les survivants d’un premier accident vasculaire cérébral présentent un risque élevé d’événements vasculaires récurrents, des études communautaires mettant en lumière la vulnérabilité persistante de cettepopulation 4. Bien que la gestion de la phase aiguë présente des défisimportants 5, la survie à long terme et l’espérance de vie de ces patients sont principalement dictées par l’efficacité des stratégies de préventionsecondaires 6,7.

La pierre angulaire de la prévention secondaire repose sur une gestion pharmacologique rigoureuse, incluant la réduction de la pression artérielle et la thérapieantiplaquettaire 8,9,10. Les directives internationales de l’American Heart Association (AHA), de l’Organisation européenne de l’AVC (ESO) et des recommandations canadiennes sur les meilleures pratiques en matière d’AVC soulignent que le respect de ces protocoles est essentiel pour prévenirla récidive 11,12,13,14. Néanmoins, l’utilité clinique de ces interventions est souvent compromise par une mauvaise adhésion aux médicaments15,16. L’adhésion au médicament est une construction multidimensionnelle qui inclut à la fois l’initiation et lapersistance 15,17. Les données récentes du registre indiquent qu’une plus grande adhésion aux médicaments de prévention secondaire améliore significativement la survie et réduit les taux derécidive 17,18. Par exemple, l’adhésion aux statines a été indépendamment associée à une réduction du risquede récidive 19.

Malgré ces bénéfices, les études longitudinales observent une « décroissance temporelle » significative des taux d’adhésion durant la première année suivant lasortie 20. Bien que des facteurs démographiques tels que les différences entre les sexes et le statut socioéconomique influencent lapersistance 21,22, on reconnaît de plus en plus le rôle des facteurs psychosociaux et cognitifs dans la formation du comportementdes patients 23,24. Le Questionnaire de Croyances sur les Médicaments (BMQ) est devenu un outil validé pour évaluer la représentation cognitive des médicaments à travers le cadre « Nécessité-Préoccupations» 25. Des revues systématiques ont démontré que les scores de QM sont des prédicteurs robustes de l’adhésion à diverses maladies chroniques enChine 26. De même, l’environnement social, en particulier le fonctionnement familial, joue un rôle central. L’indice Family APGAR fournit une mesure fiable du soutien perçu, ce qui est essentiel pour les patients confrontés à la complexité de la viepost-AVC 27,28.

Bien que le NIHSS et l’échelle de Rankin modifiée décrivent la gravité neurologique et le résultatfonctionnel 29,30, ils ne mesurent pas directement les croyances liées aux médicaments ni le fonctionnement perçu de la famille31. Les services de santé mobile et basés sur WeChat ont été étudiés, car l’adhésionsoutient 32,33. Le protocole actuel a donc deux objectifs : définir l’évaluation de la prise de médicaments au jour 30, jour 90 et 180 en utilisant une terminologie cohérente, et développer un modèle interprétable d’adhésion au jour 180 à partir de variables démographiques et psychosociales prédéfinies collectées durant l’étude.

Protocole

Le protocole a été approuvé par le Comité d’éthique de la recherche biomédicale, Hôpital de Chine de l’Ouest de l’Université du Sichuan (Approbation n° 2021 Review (1303) ; date d’approbation : 8 novembre 2021). Toutes les procédures rapportées ont été menées conformément aux exigences du comité et au protocole approuvé. L’ensemble complet des données analytiques est fourni dans le Fichier Supplémentaire 1.

1. Dépistage des patients et inscription de base

  1. Identifiez les participants potentiels à partir des dossiers hospitaliers du département de neurologie. Sélectionnez les patients diagnostiqués avec un AVC ischémique aigu par imagerie par résonance magnétique (IRM) ou par tomodensitométrie (CT). Notez le nombre total d’individus initialement sélectionnés afin d’établir le pool de référence pour le diagramme de flux des participants.
  2. Faites le dépistage des patients selon les critères d’inclusion prédéfinis. Inclure les adultes ayant un AVC ischémique aigu confirmé par imagerie qui peuvent réaliser l’entretien eux-mêmes ou par l’intermédiaire d’un représentant légalement autorisé.
  3. Applique des critères d’exclusion. Excluez les patients ayant des antécédents de maladie mentale grave, de déficience cognitive (déterminée par les dossiers cliniques) ou d’une espérance de vie inférieure à six mois. Documentez les raisons exactes et les chiffres correspondants pour toute exclusion à ce stade (par exemple, limites d’espérance de vie ou refus de donner son consentement).
  4. Avant l’inscription, obtenez un consentement éclairé écrit du patient ou, lorsque celui-ci ne peut pas donner son consentement, d’un représentant légalement autorisé, en utilisant le formulaire de consentement éclairé approuvé par le comité. Expliquez la conception longitudinale de l’étude, les évaluations téléphoniques et le calendrier de suivi de 180 jours avant la signature. Notez l’identité et le rôle de la personne consentante, la date de consentement et le membre du personnel de l’étude ayant obtenu le consentement.
  5. Collectez des données démographiques et cliniques de base dans les 48 heures suivant l’admission. Notez l’âge, le sexe, le domicile, le niveau d’éducation et les revenus mensuels à l’aide d’un formulaire standardisé de rapport de cas.
  6. À la sortie, un clinicien spécialisé en AVC formé administre le NIHSS chinois validé en utilisant ses 11 items standard notés et une plage totale de 0 à42 29. Notez le score total, le rôle de l’évaluateur, le statut de formation, la date d’évaluation et la durée du séjour à l’hôpital.
  7. Administrez le BMQ chinois autorisé par un entretien structuré en face à face avant la sortie et par téléphone au jour 30, jour 90 et 18025,34.
    REMARQUE : L’instrument contient cinq éléments de nécessité et cinq éléments de préoccupation. Notez chaque item de 1 (fortement en désaccord) à 5 (fortement d’accord), et additionnez les cinq items de chaque sous-échelle ; Totaux de nécessité et de préoccupations, donc chacun varie de 5 à 25.
  8. Calculez la différence nécessité-préoccupations (BMQ-NCD) comme Nécessité moins Préoccupations (plage, -20 à 20). Une nécessité plus élevée et des valeurs de BMQ-NCD plus élevées indiquent un besoin perçu plus fort par rapport aux préoccupations, tandis qu’une valeur de Préoccupations plus élevée indique une plus grande appréhension.
    REMARQUE : Exigez les cinq réponses pour chaque sous-échelle ; sinon, code cette sous-échelle et le BMQ-NCD comme manquants. Utilisez le jour 30 BMQ-NCD comme prédicteur du modèle continu. En même temps, administrez l’APGAR27 de la famille chinoise.
  9. Notez l’Adaptation, le Partenariat, la Croissance, l’Affection et la Résolution à 0 (rarement), 1 (parfois) ou 2 (presque toujours), et additionnez les cinq éléments pour un total entier de 0 à 10 ; des scores plus élevés indiquent une meilleure perception du fonctionnement familial. Si un élément APGAR familial manque, codez le total comme manquant. Notez les versions de l’instrument, l’autorisation, l’administrateur, le répondant, la date, les réponses aux items, les totaux sous-échelle et les scores totaux sur le formulaire de rapport de cas.

2. Préparation à la sortie et éducation des patients

  1. Organisez une séance de conseil standardisée sur la médication avant la sortie. Fournissez une liste écrite des médicaments préventifs secondaires prescrits, y compris les antiplaquettaires, les statines et les antihypertenseurs.
  2. Instruire le patient et son principal aidant sur l’importance de l’adhésion au traitement. Montrez comment enregistrer la prise de médicaments si le patient a l’intention d’utiliser une boîte à pilules ou un lait.
  3. Vérifiez le numéro de téléphone principal du patient. Établir une fenêtre temporelle préférée pour les appels de suivi futurs afin de minimiser l’attrition et d’assurer un taux de réponse élevé.

3. Suivi longitudinal post-sortie (jour 30, jour 90 et jour 180)

  1. Réalisez le premier entretien téléphonique structuré au 30e jour après la sortie (fenêtre cible, plus ou moins 3 jours). Pour chaque classe de médicaments de prévention secondaire prescrite entre les jours 1 à 30, notez le nom de la classe, la fréquence de dose quotidienne prescrite, le nombre de jours exposés et le nombre auto-déclaré de jours d’adhérence au cours des jours 1 à 30.
    1. Consignez le répondant (patient ou principal aidant responsable de la gestion des médicaments), la date de contact, les changements de schéma, les interruptions temporaires dirigées par le médecin et les raisons de non-achèvement. Lors de la même interview, administrez les APGAR spécifiques BMQ et familiaux et notez les scores du jour 30
  2. Effectuez le deuxième entretien au jour 90 (fenêtre cible, plus ou moins 7 jours). Répétez les questions spécifiques à chaque classe pour les intervalles 31 à 90 jours non chevauchants et administrez le QB et l’APGAR familial. Ne demandez pas au participant de reconstituer les jours 1 à 30 à nouveau ; conserver le record du jour 30 comme source pour cet intervalle.
  3. Effectuez l’entretien final au jour 180 (fenêtre cible, plus ou moins 7 jours). Répétez les questions spécifiques à chaque classe sur les médicaments pour les jours non chevauchants de 91 à 180 jours, administrez le QM et l’APGAR familial, et notez les 180 mRS du jour lorsque cela est disponible.
  4. Utilisez le même formulaire d’entretien structuré et la même règle du répondant lors des trois suivis. Lorsqu’un patient ne peut pas répondre en raison d’un trouble cognitif, du langage ou physique, utilisez le soignant qui gère le traitement médicamenteux et notez ce substitution. Ne prétendez pas une vérification du nombre de pilules, un journal intime, une pharmacie ou une vérification aveuglante de l’intervieweur à moins que cela ne soit documenté dans les archives sources.
  5. Enregistrez les consultations externes uniquement pour un suivi descriptif. N’incluez aucune variable d’utilisation post-sortie dans un modèle de prédiction destiné à être utilisé après l’évaluation du jour 30.
  6. Définissez la référence comme l’évaluation hospitalière/sortie et les évaluations d’adhésion par calendrier (jour 30, jour 90 et jour 180), plutôt que T1, T2 et T3. Cela évite le conflit précédent où T1 faisait référence à la fois à la référence de base et au jour 30.

4. Quantification de l’adhésion auto-déclarée au médicament

  1. N’utilisez pas le terme PDC sauf si l’adhésion provient des registres de distribution ou de recharge. Considérez la thérapie antithrombotique (antiplaquettaire ou anticoagulant oral, selon les indications), la thérapie abaissant les lipides, la thérapie antihypertensive et la thérapie de réduction de la glycémie comme des cours secondaires distincts de prévention uniquement lorsqu’ils sont prescrits à ce participant.
    1. Pour chaque classe prescrite, on définit un jour d’adhérence à la classe comme le jour où chaque dose programmée dans cette classe aurait été prise ; l’omission de toute dose programmée rend ce jour de cours non adhérant. Les arrêts, substitutions et suspensions temporaires ordonnées par le médecin ne sont pas comptabilisées comme exposition attendue quelques jours après la date d’entrée en vigueur documentée.
    2. Calculer le pourcentage d’adhésion composite autodéclarée par intervalle à 100 multiplié par la somme des jours d’adhésion à la classe dans les classes prescrites, divisé par la somme des jours d’exposition attendus à la classe dans ces classes. Ce calcul pondéré par jour d’exposition s’adapte à différentes durées de prescription et est équivalent à la moyenne des proportions spécifiques à chaque classe uniquement lorsque chaque classe est prescrite pour le même nombre de jours. Utilisez les jours 1 à 30 pour la valeur du jour 30, les jours 31 à 90 pour la valeur du jour 90, et les jours 91 à 180 pour la valeur du jour 180.
  2. À chaque suivi, classez une bonne adhésion comme une proportion autodéclarée de jours d’adhérence d’au moins 80 % et une mauvaise adhésion inférieure à 80 %. Considérer les échecs dans les évaluations d’adhésion comme manquants ; ne les classez pas dans la catégorie des mauvais résultats.

5. Intégration des données, analyse longitudinale et modélisation prédictive

  1. Effectuer l’analyse reproductible en utilisant le langage de programmation Python (version 3.13.5) avec des bibliothèques pour la manipulation des données, le calcul numérique, l’analyse statistique et la visualisation sur un système d’exploitation Windows 64 bits. Mettez la graine aléatoire à 71636, et codez les valeurs manquantes comme NA. Si l’équipe finale utilise plutôt R, remplacer cette section par la version R exécutée exactement, les versions du package, les fonctions et le script ; Ne signalez pas un flux de travail logiciel non exécuté.
  2. Résumez les proportions de bonne adhésion au jour 30, jour 90 et jour 180 avec des intervalles de confiance exacts à deux côtés de 95 %. Tester le changement global par paires d’adhésion binaire avec le test Q de Cochran, suivi de tests de McNemar exactement appariés avec correction de Bonferroni.
  3. Analysez le BMQ-NCD et l’APGAR familial sur les jours 30, 90 et 180 jours parmi des cas complets à l’aide du test de Friedman. Lorsque le test omnibus est significatif, effectuez des comparaisons par des rangs signés de Wilcoxon avec la correction de Bonferroni. Rapporter les médianes et les plages interquartiles en plus des moyennes et des écarts-types. Calculer les totaux individuels de l’échelle à partir des réponses au niveau de l’item avant analyse ; N’analysez pas les valeurs interpolées ou lissées manuellement des questionnaires.
  4. Définissez le résultat du jour 180 comme une bonne adhésion = 1 et une mauvaise adhésion = 0. Reconfigurer une régression logistique multivariable du jour 30 en utilisant quatre prédicteurs prédéfinis : résidence (Urbain = 1 ; Rural = 0), sexe (Homme = 1 ; Femme = 0), jour 30 BMQ-NCD (continu), et jour 30 Score APGAR familial (continu). N’utilisez pas les consultations de suivi ambulatoires. Évitez de décrire le criblage univarié ou la sélection à rebours, sauf si cette procédure a été effectivement exécutée et documentée en code.
  5. Spécifiez l’équation complète ajustée : logit[P(bonne adhésion au jour 180)] = -10,3811 + 1,2921 (Urbain) - 1,5215 (Homme) + 0,5211 (BMQ-NCD) + 0,6887 (APGAR familiale). Générez le nomogramme directement à partir de ces coefficients non arrondis et utilisez des étiquettes orientées vers le lecteur, des catégories de référence, des plages de scores et des directions.
  6. Évaluer la discrimination avec l’AUC du ROC et un intervalle de confiance percentile-boot à 95 %. Évaluer l’erreur globale de prédiction avec le score Brier et l’étalonnage avec un graphique d’étalonnage et la pente d’étalonnage. Rapporter la performance apparente séparément de la performance corrigée par optimisme.
  7. Effectuez 1 000 rééchantillonnages de bootstrap réussis. À chaque rééchantillonnage, ajustez le modèle complet à quatre prédicteurs et estimez l’optimisme en comparant la performance dans l’échantillon bootstrap avec celle de l’échantillon original. Soustraire l’optimisme moyen de la performance apparente.

6. Confidentialité des patients et sécurité des données

  1. Veillez à ce que toutes les informations identifiables par le patient soient supprimées avant analyse. Stockez le fichier maître de liaison dans un système institutionnel chiffré et protégé par mot de passe, accessible uniquement au personnel d’étude autorisé.
  2. Attribuez une identification alphanumérique unique à chaque participant lors de l’inscription. Utilisez cet identifiant pour tous les formulaires de suivi ultérieurs et les dossiers numériques.

Résultats

Mise en œuvre du protocole standardisé et stratification des cohortes

Le registre des participants rapporte que 216 individus ont été évalués, 6 exclus et 210 inscrits. Dix-sept ont été perdus avant l’évaluation du jour 90, et deux participants supplémentaires ont été perdus avant le jour 180, laissant 191 cas complets pour les analyses longitudinales et modélisées (Figure supplémentaire 1). Les 19 non-complétés ont été documentés dans le journal de sélection et de suivi pour le rapport du flux des participants mais n’ont pas été inclus dans l’ensemble de données analytique, et aucune valeur de résultat n’a été imputée. Le fichier d’analyse contient donc la cohorte de cas complets prédéfinie de 191 participants.

Au jour 180, 139 des 191 participants ont été classés comme ayant une bonne adhésion et 52 comme ayant une mauvaise adhésion (Tableau 1). La résidence urbaine et le sexe différaient entre les groupes d’adhésion dans les comparaisons univariées, tandis que d’autres variables de référence devraient être rapportées avec leurs estimations exactes d’effet et leurs valeurs P, plutôt que décrites collectivement comme équilibrées. La cellule de mauvaise adhésion féminine comprenait cinq participantes, donc les estimations liées au sexe nécessitent une interprétation prudente.

Caractérisation quantitative de la décroissance et des transitions d’adhésion

Parmi les 191 cas complets, une bonne adhésion était de 84,3 % (161/191 ; IC exact à 95 %, 78,3 %–89,1 %) pour les jours 1 à 30, 77,0 % (147/191 ; 70,3 %–82,7 %) pour les jours 31 à 90, et 72,8 % (139/191 ; 65,9 %–79,0 %) pour les jours 91 à 180 (Figure 2). La différence globale par paires était significative (Cochran Q = 31,0, df = 2, P < 0,001). Les schémas observés jour 30/jour 90/jour 180 étaient bon/bon/bon (n = 138), bon/bon/mauvais (n = 8), bon/pauvre/mauvais (n = 15), mauvais/bon/bon (n = 1), et pauvre/pauvre/mauvais (n = 29) (Figure 3). Nous appelons ces transitions d’état d’adhésion descriptivement, sans impliquer qu’un nouveau concept comportemental validé ait été établi.

Sensibilité et réactivité longitudinale des métriques psychosociales

Parmi les cas complets, la moyenne des valeurs de QB-NCD était de 13,06 (DE 2,60) au jour 30, 12,06 (3,03) au jour 90, et 10,88 (3,84) au jour 180 ; les valeurs moyennes de l’APGAR familial étaient respectivement de 8,20 (1,28), 7,79 (1,45) et 7,23 (1,84). Les deux tests omnibus de Friedman et les tests de Wilcoxon par paires ajustés par Bonferroni ont donné P < 0,001 (Tableau 2 ; Figure 4). Les totaux individuels des questionnaires doivent être régénérés directement à partir des formulaires de rapport de cas au niveau des items avant que l’analyse finale ne soit verrouillée.

Pondération des paramètres et synthèse de l’outil prédictif

Le modèle de prédiction du jour 30 a conservé quatre prédicteurs prédéfinis (Tableau 3) : résidence urbaine (OR ajustée, 3,64 ; IC à 95 %, 1,54–8,62 ; P = 0,0033), sexe masculin (OR ajusté, 0,22 ; IC à 95 %, 0,06–0,76 ; P = 0,0174), jour 30 QM-DCN par point (OR ajusté, 1,68 ; IC à 95 %, 1,39–2,05 ; P < 0,001), et le score APGAR familial au jour 30 par point (OR ajusté, 1,99 ; IC à 95 %, 1,39–2,86 ; P < 0,001). L’interception installée était de -10,3811. La figure 5 affiche le même codage et la même échelle à un point que dans le tableau 3, et la figure 6 associe les coefficients non arrondis au nomogramme.

Validation méthodologique : précision et calibration

L’AUC apparent du modèle était de 0,879 (IC bootstrap à 95 %, 0,821–0,928), et l’AUC corrigé par optimisme après 1 000 rééchantillonnages bootstrap réussis était de 0,867 (Figure 7). Le score Brier apparent était de 0,118, et la pente d’étalonnage corrigée par optimisme était de 0,923. Ces valeurs décrivent la performance interne dans les 191 cas complets et ne constituent pas une validation externe.

figure-results-1
Figure 1 : Feuille de route opérationnelle standardisée pour le suivi de l’adhésion post-AVC. Ce diagramme illustre le protocole en quatre phases mis en œuvre dans l’étude : phase 1 (inscription et référence), phase 2 (sortie des soins aigus), phase 3 (suivi longitudinal systématique) et phase 4 (évaluation et analyse des risques). Cette feuille de route sert de procédure opérationnelle standard (SOP) pour la méthodologie proposée. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-2
Figure 2 : Proportions longitudinales de bonne adhérence. La figure montre les proportions d’adhésion au bon cas complet pour les jours 1 à 30 lors de l’évaluation du jour 30 (84,3 %), des jours 31 à 90 lors de l’évaluation du jour 90 (77,0 %) et des jours 91 à 180 à l’évaluation du jour 180 (72,8 %). Les barres d’erreur sont des intervalles de confiance exacts à 95 % à deux faces. L’adhésion a été classée comme bonne lorsque le pourcentage d’adhésion composite autodéclaré, pondéré par jour d’exposition, était d’au moins 80 %. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-3
Figure 3 : Transitions individuelles d’adhésion à l’état. Le diagramme alluvial montre la classification d’adhésion bonne ou mauvaise de chaque participant à un cas complet aux jours 30, 90 et 180. Les largeurs des rubans représentent le nombre de participants. Le terme transition d’état d’adhésion est descriptif et n’est pas présenté comme un concept préalablement validé. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-4
Figure 4 : Distributions familiales d’APGAR et de BMQ-NCD au fil du temps. Les boîtes représentant (A) la famille APGAR et (B) les distributions BMQ-NCD représentent l’intervalle interquartile, les lignes centrales la médiane, les valeurs des moustaches dans un rayon de 1,5 fois l’intervalle interquartile, et les points au-delà des barges les observations individuelles. Les comparaisons globales utilisent les tests de Friedman ; les comparaisons par paires utilisent des tests de rang signé de Wilcoxon avec correction de Bonferroni. BMQ-NCD correspond au total des Besoins moins au total des Préoccupations. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-5
Figure 5 : Associations ajustées dans le modèle de prédiction du jour 30. Les points sont des OR ajustés et les barres horizontales sont des IC de 95 % pour la résidence urbaine versus rurale, le sexe masculin vs féminin, et une augmentation d’un point de la base au jour 30 BMQ-NCD et APGAR familiale. L’axe horizontal est logarithmique, et la ligne de référence verticale indique OR = 1. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-6
Figure 6 : Nomogramme pour la probabilité interne estimée d’une bonne adhésion au jour 180. Le nomogramme utilise : résidence, sexe, BMQ-NCD au jour 30, et score APGAR familial au jour 30. Les valeurs prédictives sont associées aux points ; Le total des points correspond à la probabilité estimée. Un BMQ-NCD plus élevé indique que la nécessité perçue l’emporte sur les préoccupations, et un APGAR familial plus élevé indique un meilleur fonctionnement familial perçu. Le nomogramme nécessite une validation externe avant une utilisation clinique. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

figure-results-7
Figure 7 : Validation interne du modèle de prédiction du jour 30. (A) La courbe ROC montre un AUC apparent de 0,879 (IC bootstrap à 95 %, 0,821-0,928) et un AUC corrigé optimisme de 0,867. (B) Le panel d’étalonnage compare les probabilités prédites et observées. La droite idéale indique une calibration parfaite, la courbe apparente décrit l’échantillon ajusté, et la courbe corrigée en biais reflète la correction d’optimisme bootstrap à 1 000 rééchantillons. Les lignes ombragées ou de contour, si elles sont affichées, représentent des limites de confiance à 95 % ; Les marques de tapis montrent la distribution des probabilités prédites. Veuillez cliquer ici pour voir une version agrandie de cette figurine.

CaractéristiquesAu total (N = 191)Mauvaise adhésion (N = 52)Bonne adhésion (N = 139)Valeur p
Âge, années59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Groupe d’âge, n ( %)0.822
<65 ans120 (62.8%)32 (61.5%)88 (63.3%)
>=65 ans71 (37.2%)20 (38.5%)51 (36.7%)
Sexe, n ( %)0.015
Féminin41 (21.5%)5 (9.6%)36 (25.9%)
Homme150 (78.5%)47 (90.4%)103 (74.1%)
Résidence, n ( %)<0,001
Rural92 (48.2%)36 (69.2%)56 (40.3%)
Urbain99 (51.8%)16 (30.8%)83 (59.7%)
Éducation, n ( %)0.224
École primaire ou inférieure59 (30.9%)21 (40.4%)38 (27.3%)
Collège50 (26.2%)13 (25.0%)37 (26.6%)
Lycée/technique36 (18.8%)10 (19.2%)26 (18.7%)
Diplôme universitaire ou supérieur46 (24.1%)8 (15.4%)38 (27.3%)
État civil, n ( %)0.905
Mariés175 (91.6%)47 (90.4%)128 (92.1%)
Célibataire9 (4.7%)3 (5.8%)6 (4.3%)
Divorcé/veuve7 (3.7%)2 (3.8%)5 (3.6%)
Profession, n ( %)0.138
Employé/professionnel36 (18.8%)9 (17.3%)27 (19.4%)
Ouvrier25 (13.1%)7 (13.5%)18 (12.9%)
Agriculteur39 (20.4%)16 (30.8%)23 (16.5%)
Retraité45 (23.6%)7 (13.5%)38 (27.3%)
Travailleur indépendant/autres46 (24.1%)13 (25.0%)33 (23.7%)
Revenu mensuel, 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%)
Score NIHSS à la sortie2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Durée du séjour à l’hôpital, jours8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tableau 1 : Caractéristiques de la population étudiée pour la validation méthodologique (N = 191). Ce tableau résume les profils démographiques et cliniques des participants, stratifiés selon leur état d’adhésion au médicament auto-déclaré au bout de 180 jours (Bon vs. Mauvais). Les variables catégorielles sont présentées comme des fréquences (n) et des pourcentages ( %). Les valeurs p sont fournies pour des comparaisons descriptives entre groupes et n’ont pas été utilisées pour la sélection des prédicteurs. Veuillez cliquer ici pour télécharger ce tableau.

MesureJour 30, moyenne +/- SDJour 90, moyenne +/- SDJour 180, moyenne +/- DSChangement (jour 180 - jour 30), moyenne +/- DSChi-carré de Friedman (df = 2)Valeur globale P
Score total BMQ-NCD13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0,001
Score APGAR familial8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0,001

Tableau 2 : Scores longitudinaux BMQ-NCD et APGAR familiaux. Ce tableau rapporte chaque échelle au jour 30, jour 90 et jour 180 sous forme de moyenne (DE) et médiane (IQR). Les valeurs P globales proviennent des tests de Friedman ; les valeurs P post-hoc appariées proviennent de tests de rang signé de Wilcoxon avec correction de Bonferroni. BMQ-NCD correspond au total des nécessités spécifiques au BMQ moins le total des préoccupations (plage, -20 à 20).

Prédicteurβ coefficientErreur standardWald zValeur pBloc opératoire ajusté (IC 95 %)Codage / unité
Intercept-10.38112.0697-5.016<0,001—Interception de modèle
Résidence urbaine1.29210.43962.940.00333.64 (1.54–8.62)Urbain vs rural (référence)
Sexe masculin-1.52150.6395-2.3790.01740.22 (0.06–0.76)Homme vs femme (référence)
Diagnostic de base de BMQ-NCD0.52110.09955.238<0,0011.68 (1.39–2.05)Par augmentation d’un point
APGAR de la famille de référence0.68870.18473.728<0,0011.99 (1.39–2.86)Par augmentation d’un point

Tableau 3 : Spécification complète de régression logistique multivariable pour une bonne adhésion au jour 180 (N = 191). Le tableau rapporte les coefficients d’interception et de régression, les erreurs standard, les statistiques de Wald, les valeurs P, les OR ajustés et les intervalles de confiance à 95 % pour le modèle final de régression logistique multivariable. Une bonne adhésion est codée 1, et une mauvaise adhésion est codée 0. La résidence est urbaine = 1 contre rurale = 0 ; sexe est Homme = 1 contre Femme = 0 ; le jour 30 : BMQ-NCD et jour 30 APGAR familial sont modélisés par augmentation d’un point.

Figure supplémentaire 1 : Flux de participants et sélection de cohorte pour l’étude longitudinale d’adhésion au médicament.Veuillez cliquer ici pour télécharger ce fichier.

Fichier supplémentaire 1 : L’ensemble complet des données analytiques. Veuillez cliquer ici pour télécharger ce fichier.

Discussion

Cette étude décrit un protocole téléphonique longitudinal standardisé et développe en interne un modèle de prédiction au jour 30 pour l’adhésion autodéclarée au médicament au jour 180 après un AVC ischémique. Trois constats sont centraux. Premièrement, la proportion classée comme ayant une bonne adhésion est passée de 84,3 % au jour 30 à 77,0 % au jour 90 et 72,8 % au jour 180. Deuxièmement, les scores BMQ-NCD et Family APGAR ont également diminué lors des évaluations programmées. Troisièmement, résidence urbaine, sexe, QBM-NCD au jour 30 et APGAR familial au jour 30 étaient associés à une adhésion au jour 180 dans le modèle prédéfini du jour 30. Ces résultats soutiennent une évaluation répétée après la sortie tout en restant descriptifs et prédictifs en interne plutôt que causals.

La réduction de la prévalence d’une bonne adhérence est cohérente avec des recherches antérieures sur l’AVC montrant que la persistance avec les médicaments de prévention secondaire peut diminuer aprèsla sortie 17, 18, 19, 20. La plupart des participants sont restés dans la catégorie bonne adhésion, tandis que le groupe le plus en changement est passé d’une bonne à une mauvaise adhésion. Ce schéma suggère qu’un entretien précoce satisfaisant ne doit pas être considéré comme une preuve d’une prise prolongée de médicaments. Cliniquement, une réévaluation au jour 90 peut identifier des patients dont le comportement a changé après la période de récupération immédiate, et l’entretien du jour 180 offre une opportunité ultérieure d’examiner la complexité du schéma, les effets indésirables, les barrières d’accès et l’implication des aidants.

Une contribution méthodologique importante est la séparation des trois fenêtres de rappel non chevauchantes : jours 1 à 30, jours 31 à 90 et jours 91 à 180. Cette approche évite de demander à plusieurs reprises aux participants de reconstruire toute la période post-décharge et relie chaque estimation à un intervalle défini. Le composite pondéré par jour d’exposition inclut également des classes de médicaments avec différentes durées prescrites. Néanmoins, il reste une proportion autodéclarée des jours d’adhérence à la classe, et non une PDC dérivée de la pharmacie. L’erreur de rappel et le biais de désirabilité sociale peuvent donc surestimer l’ingestion. Les pourcentages observés doivent être interprétés comme des estimations structurées d’entretien plutôt que comme une confirmation objective que des médicaments ont été dispensés ou pris.

Les résultats longitudinaux de la BMQ-NCD fournissent un contexte psychosocial possible pour le schéma d’adhésion. Le BMQ-NCD correspond au score de nécessité moins le score de préoccupations et représente donc l’équilibre relatif entre le besoin perçu et l’appréhension, plutôt qu’un total global de 25,26,34 au QB. Une valeur plus faible peut refléter des croyances de nécessité plus faibles, des préoccupations plus fortes, ou les deux. Une administration répétée peut aider les cliniciens à identifier quel composant a changé et à adapter le conseil en conséquence, mais les analyses présentes ne peuvent pas déterminer si des changements de croyances ont précédé les changements d’adhésion. Les réponses au questionnaire peuvent également être influencées par l’état de santé et l’expérience du traitement. Les enregistrements au niveau de l’item et l’instrument chinois exact doivent être vérifiés avant de tirer des conclusions mécanistes.

L’APGAR familial mesure de manière similaire le fonctionnement perçu de la famille plutôt que la quantité de soins observésobjectivement 27,28. Pendant la récupération après un AVC, les changements de handicap, les activités de la vie quotidienne, la détresse psychologique, la charge des aidants, les rôles ménagers et les attentes culturellement façonnées peuvent modifier la manière dont le soutien est perçu 35,36,37,38,39,40. La baisse de l’APGAR familial doit donc être décrite comme une association au sein de cette cohorte, et non comme une preuve que le soutien familial se détériore inévitablement ou provoque un non-respect. Le résultat soutient néanmoins l’implication des aidants dans le suivi et l’évaluation répétée des rôles pratiques de soutien et de traitement.

Le modèle de prédiction révisé est destiné à être utilisé après le suivi du jour 30 car deux prédicteurs psychosociaux ont été collectés lors de cette évaluation. Les consultations ambulatoires post-sortie survenant après le 30e jour ont été exclues afin de réduire l’ambiguïté temporelle. Des scores plus élevés au jour 30 BMQ-NCD et APGAR familial étaient associés à de meilleures chances d’une bonne adhésion au jour 180, ce qui soutient la valeur potentielle d’une réévaluation psychosociale précoce. Les consultations ambulatoires post-sortie ont été exclues car elles sont contemporaines de la fenêtre de résultats et peuvent introduire une ambiguïté temporelle. La résidence urbaine peut représenter l’accès, la disponibilité des médicaments ou la continuité des soins, mais ces mécanismes n’ont pas été mesurés, et la résidence ne doit pas être interprétée de manière causale. Des scores de base plus élevés en QQ-NCD et en APGAR familial étaient associés à de meilleures chances d’une bonne adhésion, ce qui soutient la valeur potentielle de l’évaluation psychosociale à la sortie. Le sexe masculin était associé à des chances plus faibles, mais ce coefficient est statistiquement fragile car seules cinq femmes faisaient partie du groupe des faibles. Des effets de confusion résiduels, des données parcimonieuses et des schémas de soins spécifiques au centre restent plausibles.

L’AUC apparent de 0,879 et l’AUC corrigé optimisme de 0,867 indiquent une bonne discrimination dans les 191 cas complets. Le score Brier apparent de 0,118 et la pente d’étalonnage corrigée optimisme de 0,923 fournissent des informations complémentaires sur l’erreur de prédiction et l’étalonnage. La correction bootstrap réduit l’optimisme lorsque la performance du modèle est évaluée sur l’échantillon de développement, mais elle n’établit pas la transportabilité. Ces estimations ne démontrent pas la supériorité par rapport à d’autres modèles, ni la préparation à l’allocation des ressources, ni un seuil de probabilité validé pour les décisions cliniques. Le nomogramme est une représentation de l’équation ajustée. Une validation temporelle ou multicentrique indépendante, avec recalibrage si nécessaire, est nécessaire avant d’être utilisée pour diriger les soins aux patients.

Des études computationnelles récentes ajoutent des méthodes absentes de la revue originale : sélection de caractéristiques consciente du déséquilibre dans les données de cancer à haute dimension41, support mHealth pour les personnes atteintes de démence et les aidants42, stratégies de sélection des caractéristiques pour les grandes bases de donnéesmédicales 43, apprentissage profond supporté par ADASIN pour la prédiction de l’occurrence desAVC 44, et cadres plus larges de suivi de la santé par apprentissage automatique45. Ce sont des comparateurs utiles, mais leurs objectifs diagnostiques, de haute dimension ou orientés capteurs diffèrent de notre modèle d’adhésion à quatre prédicteurs avec 191 participants. Les futurs ensembles de données externes devraient comparer la régression logistique prédéfinie avec des approches pénalisées et d’apprentissage automatique tout en rapportant l’étalonnage et l’utilité clinique.

Plusieurs limitations définissent la portée des résultats. L’échantillon de commodité centrique unique limite la généralisabilité, et l’analyse complète des cas ont exclu 19 des 210 participants inscrits qui n’ont pas complété le suivi ; Bien que leur flux ait été documenté, un biais d’attrition reste possible, et aucune valeur de résultat n’a été imputée. Trois points d’évaluation ne peuvent pas refléter les fluctuations à court terme, et l’horizon de 180 jours ne caractérise pas la persistance à long terme ni les résultats vasculaires récurrents. L’auto-rapport n’a pas été validé par rapport aux données de distribution, au comptage de comprimés ou au suivi électronique. L’échantillon limite également l’analyse détaillée des sous-groupes et peut donner des coefficients instables pour les catégories parcimonieuses. Les points forts incluent des intervalles non chevauchants, des règles explicites multi-médicaments, l’utilisation de prédicteurs démographiques prédéfinis et de prédicteurs psychosociaux du jour 30, ainsi que la validation interne bootstrap. Les études futures devraient lier les entretiens à des mesures de renouvellement ou électroniques, documenter le type de répondant, prolonger le suivi à 12 mois, et évaluer le modèle dans des cohortes indépendantes.

Conclusion

En conclusion, ce protocole définit trois évaluations post-sortie de la prise de médicaments auto-déclarée et un modèle interprétable au jour 180 restreint à quatre prédicteurs cliniques et psychosociaux prédéfinis. Le modèle a montré des performances internes prometteuses dans la cohorte complète du cas, mais nécessite une validation externe indépendante avant la mise en œuvre clinique.

Déclarations de divulgation

Tous les auteurs n’ont révélé aucun conflit d’intérêts.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
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/)

Références

  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.

Réimpressions et autorisations

Mots-clés

Pr vention secondaireobservance auto d clar emod le logistiqueAPGAR familialBMQ sp cifiquer sidence urbaine
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.