Articolo metodologico

Monitoraggio longitudinale e modellazione predittiva dell'aderenza ai farmaci nei pazienti con ictus ischemico

49 visualizzazioni

⸱

DOI:

10.3791/71636

⸱

11 agosto 2026

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

In questo articolo

Sommario

Questo protocollo descrive una valutazione telefonica strutturata dell'assunzione auto-dichiarata di farmaci a 30, 90 e 180 giorni dopo la dimissione e lo sviluppo interno di un modello precoce di previsione di follow-up per i sopravvissuti a ictus ischemico. Il protocollo separa l'ingestione auto-segnalata dalla PDC basata in farmacia e utilizza predittori demografici e predefiniti per il giorno 30.

Abstract

L'aderenza al farmaco è centrale per la prevenzione secondaria dopo un ictus ischemico, ma l'aderenza auto-riportata può cambiare durante il follow-up. In questo quadro longitudinale a centro singolo, sono stati iscritti 210 partecipanti e 191 hanno completato la valutazione di 180 giorni. L'assunzione di farmaci è stata valutata tramite un'intervista telefonica strutturata per i giorni 1–30, 31–90 e 91–180, ed è stata classificata come buona quando la percentuale di aderenza composita ponderata per giorno di esposizione era almeno dell'80%. I prodotti specifici per BMQ cinese e APGAR per famiglie sono stati somministrati al giorno 30, giorno 90 e giorno 180. Un modello logistico a quattro predittori ha utilizzato residenza, sesso, BMQ-NCD al giorno 30 e APGAR familiare al giorno 30 ed è stato convalidato internamente con 1.000 campioni bootstrap. Tra i 191 casi completi, una buona aderenza è stata dell'84,3% (IC 95%, 78,3%–89,1%) al giorno 30, 77,0% (IC 95%, 70,3%–82,7%) al giorno 90 e 72,8% (IC 95%, 65,9%–79,0%) al giorno 180. Residenza urbana, sesso maschile, BMQ-NCD al giorno 30 e punteggio APGAR familiare al giorno 30 erano associati all'adesione al giorno 180. L'AUC apparente era di 0,879 (IC 95%, 0,821–0,928), mentre l'AUC corretta per ottimismo era di 0,867. Il protocollo fornisce un quadro riproducibile per la valutazione longitudinale dell'aderenza auto-dichiarata e un modello di previsione del giorno 30 convalidato internamente. Prima dell'implementazione clinica sono necessarie convalidazioni esterne e misure di aderenza oggettiva.

Introduzione

L'ictus rimane una delle principali cause di disabilità e mortalità a lungo termine a livello mondiale, rendendo necessaria una definizione clinica raffinata che tenga conto sia delle evidenze patologiche che di quelle di imaging1. Nonostante i progressi negli interventi acuti, il carico globale dell'ictus continua ad aumentare, con l'ictus ischemico che rappresenta la stragrande maggioranza deicasi 2. Questa tendenza è particolarmente marcata in Cina, dove la prevalenza dei fattori di rischio vascolari ha raggiunto livelli critici, mettendo sotto pressione il sistemasanitario 3. Le evidenze suggeriscono che i sopravvissuti a un primo ictus affrontano un alto rischio di eventi vascolari ricorrenti, con studi comunitari che evidenziano la persistente vulnerabilità di questapopolazione 4. Sebbene la gestione della fase acuta presenti sfidesignificative 5, la sopravvivenza a lungo termine e l'aspettativa di vita di questi pazienti sono prevalentemente dettate dall'efficacia delle strategie di prevenzionesecondaria 6,7.

La pietra angolare della prevenzione secondaria riguarda una gestione farmacologica rigorosa, inclusa la riduzione della pressione sanguigna e la terapiaantipiastrinica 8,9,10. Le linee guida internazionali dell'American Heart Association (AHA), dell'European Stroke Organisation (ESO) e delle Canadian Stroke Best Practice Recommendations sottolineano che l'aderenza a questi regimi è essenziale per prevenirela recidiva 11,12,13,14. Tuttavia, l'utilità clinica di questi interventi è spesso compromessa da una scarsa aderenza al farmaco15,16. L'aderenza al farmaco è una struttura multidimensionale che include sia l'iniziazione che lapersistenza 15,17. I dati recenti del registro indicano che una maggiore aderenza ai farmaci secondari di prevenzione migliora significativamente la sopravvivenza e riduce i tassi direcidiva 17,18. Ad esempio, l'aderenza alle statine è stata associata indipendentemente a una riduzione del rischio diricorrenza 19.

Nonostante questi benefici, studi longitudinali osservano un significativo "decadimento temporale" dei tassi di aderenza durante il primo anno dopo ladimissione 20. Sebbene fattori demografici come le differenze di genere e lo status socioeconomico influenzino lapersistenza 21,22, vi è un riconoscimento crescente del ruolo dei fattori psicosociali e cognitivi nel plasmare il comportamento delpaziente 23,24. Il Questionario sulle Credenze sui Farmaci (BMQ) è emerso come uno strumento validato per valutare la rappresentazione cognitiva dei farmaci attraverso il quadro "Necessità-Preoccupazioni" 25. Revisioni sistematiche hanno dimostrato che i punteggi BMQ sono robusti predittori dell'aderenza in varie condizioni croniche inCina. Allo stesso modo, l'ambiente sociale, in particolare il funzionamento familiare, gioca un ruolo fondamentale. L'Indice APGAR Familiare fornisce una misura affidabile del supporto percepito, fondamentale per i pazienti che affrontano le complessità della vita post-ictus27,28.

Sebbene il NIHSS e la scala di Rankin modificata descrivano la gravità neurologica e l'esitofunzionale 29,30, non misurano direttamente le credenze sui farmaci o il funzionamento familiarepercepito 31. Sono stati studiati servizi di salute mobile e WeChat, con l'aderenzaa supporto di 32,33. L'attuale protocollo, quindi, ha due obiettivi: definire la valutazione dell'assunzione di farmaci al giorno 30, giorno 90 e giorno 180 utilizzando una terminologia coerente, e sviluppare un modello interpretabile di aderenza al giorno 180 utilizzando variabili demografiche e psicosociali predefinite raccolte durante lo studio.

Protocollo

Il protocollo è stato approvato dal Comitato Etico per la Ricerca Biomedica dell'Ospedale della Cina Occidentale dell'Università del Sichuan (Approvazione n. 2021 Revisione (1303); data di approvazione, 8 novembre 2021). Tutte le procedure riportate sono state condotte in conformità con i requisiti del comitato e il protocollo approvato. Il dataset analitico completo è fornito nel File Supplementare 1.

1. Screening del paziente e arruolamento al punto di riferimento

  1. Identificare i potenziali partecipanti dai referti dei pazienti ricoverati del Dipartimento di Neurologia. Seleziona i pazienti diagnosticati con ictus ischemico acuto tramite risonanza magnetica (MRI) o tomografia computerizzata (TC). Registrare il numero totale di individui inizialmente selezionati per stabilire il bacino di riferimento per il diagramma di flusso dei partecipanti.
  2. Seleziona i pazienti secondo i criteri di inclusione predefiniti. Includere adulti con ictus ischemico acuto confermato da immagini che possono completare il colloquio autonomamente o tramite un rappresentante legalmente autorizzato.
  3. Applica criteri di esclusione. Escludere i pazienti con una storia di gravi malattie mentali, deficit cognitivi (determinati dalle cartelle cliniche) o un'aspettativa di vita inferiore a sei mesi. Documenta le ragioni esatte e i numeri corrispondenti per eventuali esclusioni in questa fase (ad esempio, limitazioni dell'aspettativa di vita o rifiuto di fornire il consenso).
  4. Prima dell'iscrizione, ottenere il consenso informato scritto dal paziente o, quando il paziente non può fornire il consenso, da un rappresentante legalmente autorizzato, utilizzando il modulo di consenso informato approvato dal comitato. Spiega la progettazione dello studio longitudinale, le valutazioni telefoniche e il calendario di follow-up di 180 giorni prima della firma. Registra l'identità e il ruolo della persona consenziente, la data del consenso e il membro dello staff dello studio che ha ottenuto il consenso.
  5. Raccogliere dati demografici e clinici di base entro 48 ore dal ricovero. Registra età, sesso, residenza, livello di istruzione e reddito mensile utilizzando un modulo standardizzato di rapporto di caso.
  6. Alla dimissione, far somministrare il NIHSS cinese validato da un clinico specializzato in ictus utilizzando i suoi standard 11 item valutati e l'intervallo totale da 0 a42 29. Annota il punteggio totale, il ruolo del valutatore e lo stato di formazione, la data della valutazione e la durata del ricovero ospedaliero.
  7. Somministrare il BMQ-Specifico cinese autorizzato tramite un colloquio strutturato faccia a faccia prima del dimissione e telefonicamente al giorno 30, giorno 90 e giorno 18025,34.
    NOTA: Lo strumento contiene cinque elementi di Necessità e cinque di Preoccupazioni. Punteggio ogni item da 1 (fortemente in disaccordo) a 5 (fortemente d'accordo) e somma dei cinque item in ogni sottoscala; Totali di Necessità e Preoccupazioni, quindi ognuno varia da 5 a 25.
  8. Calcola il differenziale necessità-preoccupazioni (BMQ-NCD) come Necessità meno Preoccupazioni (intervallo, -20-20). Una maggiore necessità e valori più alti di BMQ-NCD indicano un bisogno percepito più forte rispetto alle preoccupazioni, mentre un valore di Preoccupazione più alto indica maggiore apprensione.
    NOTA: Richiedere tutte e cinque le risposte per ogni sottoscala; altrimenti, codifica quella sottoscala e il BMQ-NCD come mancanti. Usa il giorno 30 BMQ-NCD come predittore continuo del modello. Allo stesso tempo, amministrare l'APGAR FamigliaCinese 27.
  9. Valuta Adattamento, Partnership, Crescita, Affetto e Determinazione come 0 (quasi mai), 1 (a volte) o 2 (quasi sempre), e somma i cinque elementi a un intero totale da 0 a 10; punteggi più alti indicano una migliore percezione del funzionamento familiare. Se manca un elemento APGAR di Famiglia, codifica il totale come mancante. Annota le versioni degli strumenti, l'autorizzazione, l'amministratore, il rispondente, la data, le risposte agli item, i totali della sottoscala e i punteggi totali nel modulo del rapporto del caso.

2. Preparazione alla dimissione e formazione dei pazienti

  1. Conduci una sessione standardizzata di consulenza farmacologica prima della dimissione. Fornisci un elenco scritto dei farmaci secondari di prevenzione prescritti, inclusi antipiastrine, statine e antiipertensivi.
  2. Istruire il paziente e il suo caregiver principale sull'importanza dell'aderenza al farmaco. Dimostra come registrare l'assunzione di farmaci se il paziente intende usare una pillbox o un diario.
  3. Verifica il numero di telefono principale del paziente. Stabilire una finestra temporale preferita per le future chiamate di follow-up, al fine di minimizzare l'abbandono e garantire un alto tasso di risposta.

3. Follow-up longitudinale post-discarica (giorno 30, giorno 90 e giorno 180)

  1. Effettuare il primo colloquio telefonico strutturato al giorno 30 dopo la dimissione (finestra target, più o meno 3 giorni). Per ogni classe di farmaci di prevenzione secondaria prescritta nei giorni 1–30, annota il nome della classe, la frequenza delle dosi giornaliere prescritte, il numero di giorni esposti e il numero auto-dichiarato di giorni di aderenza alla classe durante i giorni 1–30.
    1. Annota il rispondente (paziente o caregiver principale che gestisce i farmaci), la data di contatto, i cambiamenti di regime, le interruzioni temporanee dirette dal medico e le ragioni del mancato completamento. Nella stessa intervista, somministra il BMQ-Specific e l'APGAR per famiglie e registra i punteggi del giorno 30
  2. Effettua il secondo colloquio al giorno 90 (finestra target, più o meno 7 giorni). Ripetere le domande specifiche di materia per i farmaci per i giorni non sovrapposti a intervalli 31–90 e somministrare il BMQ e l'APGAR Familiare. Non chiedere al partecipante di ricostruire di nuovo i giorni 1–30; mantenere il record del giorno 30 come fonte per quell'intervallo.
  3. Effettua l'intervista finale al giorno 180 (finestra target, più o meno 7 giorni). Ripeti le domande specifiche per la classe per l'intervallo 91–180 giorni non sovrapposti, somministra il BMQ e l'APGAR Familiare, e registra i 180 mRS giornalieri quando disponibili.
  4. Usa lo stesso modulo di intervista strutturato e la stessa regola del rispondente in tutti e tre i follow-up. Quando un paziente non può rispondere a causa di deficit cognitivi, linguistici o fisici, si utilizza il caregiver che gestisce il regime farmacologico e registra quella sostituzione. Non dichiarare verifiche per conteggio di pillole, diario, farmacia o accecare l'intervistatore a meno che non sia documentata nei registri di fonte.
  5. Registra le visite ambulatoriali solo per il follow-up descrittivo. Non includere alcuna variabile di utilizzo post-discarica in un modello di previsione destinato all'uso dopo la valutazione del giorno 30.
  6. Definisci la base come la valutazione per ricovero e dimissione e etichetta le valutazioni di aderenza per orario calendario (giorno 30, giorno 90 e giorno 180), piuttosto che T1, T2 e T3. Questo previene il precedente conflitto in cui T1 si riferiva sia alla linea di base sia al giorno 30.

4. Quantificazione dell'aderenza auto-riportata al farmaco

  1. Non usare il termine PDC a meno che l'aderenza non derivi dai registri di dispensazione o ricarica. Trattare la terapia antitrombotica (antipiastrinica o anticoagulante orale, secondo indicazioni), la terapia per abbassare i lipidi, la terapia antiipertensiva e la terapia per abbassare il glucosio come classi secondarie di prevenzione separate solo quando prescritte a quel partecipante.
    1. Per ogni classe prescritta, si definisce un giorno di aderenza alla classe come il giorno in cui ogni dose programmata in quella classe sarebbe stata presa a seconda del tempo; l'omissione di qualsiasi dose programmata rende quel giorno di lezione non aderente. Le interruzioni, sostituzioni e sospensioni temporanee dirette dal medico non vengono conteggiate come esposizione attesa giorni dopo la data di entrata in vigore documentata.
    2. Calcola la percentuale composita di auto-riferita a intervalli come 100 moltiplicata per la somma dei giorni di aderenza alla classe tra le classi prescritte diviso per la somma dei giorni di esposizione attesa in classe in quelle classi. Questo calcolo ponderato per giorno di esposizione prende in considerazione diverse durate di prescrizione ed è equivalente alla media delle proporzioni specifiche per classe solo quando ogni classe è prescritta per lo stesso numero di giorni. Usa i giorni 1–30 per il valore del giorno 30, i giorni 31–90 per il valore del giorno 90 e i giorni 91–180 per il valore del giorno 180.
  2. Ad ogni follow-up, classificare una buona aderenza come proporzione autodichiarata di giorni aderenti di almeno l'80% e scarsa adesione inferiore all'80%. Considerare come mancanti le valutazioni di aderenza; Non assegnarli alla categoria di scarsa fedeltà.

5. Integrazione dei dati, analisi longitudinale e modellazione predittiva

  1. Eseguire l'analisi riproducibile utilizzando il linguaggio di programmazione Python (versione 3.13.5) con librerie per la manipolazione dei dati, il calcolo numerico, l'analisi statistica e la visualizzazione su un sistema operativo Windows a 64 bit. Imposta il seed casuale su 71636 e codifica i valori mancanti come NA. Se invece il team finale usa R, sostituire questa sezione con la versione R eseguita esattamente, le versioni dei pacchetti, le funzioni e lo script; Non segnalare un flusso di lavoro software non eseguito.
  2. Riassumi le proporzioni di buona aderenza al giorno 30, giorno 90 e giorno 180 con intervalli di confidenza esatti Clopper-Pearson a due facce al 95%. Testare il cambiamento complessivo accoppiato nell'aderenza binaria con il test Q di Cochran, seguito da test di McNemar a coppie esatte con correzione di Bonferroni.
  3. Analizza BMQ-NCD e APGAR familiare durante il giorno 30, il giorno 90 e il giorno 180 tra casi completi utilizzando il test di Friedman. Quando il test omnibus è significativo, esegui confronti di rango segnato di Wilcoxon abbinati con la correzione di Bonferroni. Riportare le mediane e gli intervalli interquartili oltre alle medie e alle deviazioni standard. Calcolare i totali individuali della scala a partire dalle risposte a livello di item prima dell'analisi; Non analizzare i valori interpolati o levigati manualmente del questionario.
  4. Definire l'esito day-180 come buona aderenza = 1 e scarsa aderenza = 0. Riorganizza una regressione logistica multivariabile del giorno 30 usando quattro predittori predefiniti: residenza (Urbano = 1; Rurale = 0), sesso (Maschio = 1; Femmina = 0), giorno 30 BMQ-NCD (continuo) e giorno 30 Punteggio APGAR familiare (continuo). Non utilizzare visite di controllo ambulatoriale. Evita di descrivere lo screening univariato o la selezione all'artroso a meno che quella procedura non sia stata effettivamente eseguita e documentata in codice.
  5. Specificare l'equazione completa adattata: logit[P(buona aderenza al giorno 180)] = -10,3811 + 1,2921 (Urbano) - 1,5215 (Maschio) + 0,5211 (BMQ-NCD) + 0,6887 (APGAR Famiglia). Genera il nomogramma direttamente da questi coefficienti non arrotondati e utilizza etichette rivolte al lettore, categorie di riferimento, intervalli di punteggio e direzionalità.
  6. Valutare la discriminazione con l'AUC del ROC e un intervallo di confidenza percentile-bootstrap del 95%. Valuta l'errore previsionale complessivo con il punteggio Brier e la calibrazione con un grafico di calibrazione e la pendenza di calibrazione. Riporta la performance apparente separatamente da quella corretta dall'ottimismo.
  7. Esegui 1.000 ricampionamenti bootstrap riusciti. In ogni ricampionamento, si riadatta l'intero modello a quattro predittori e si stima l'ottimismo confrontando le prestazioni nel campione bootstrap con quelle nel campione originale. Sottrai ottimismo medio alla performance apparente.

6. Riservatezza del paziente e sicurezza dei dati

  1. Assicurarsi che tutte le informazioni identificabili dal paziente vengano rimosse prima dell'analisi. Conserva il file master di collegamento in un sistema istituzionale criptato protetto da password accessibile solo al personale autorizzato dello studio.
  2. Assegnare un ID alfanumerico unico a ciascun partecipante al momento dell'iscrizione. Usa questo ID per tutti i moduli di follow-up e i documenti digitali successivi.

Risultati

Implementazione del protocollo standardizzato e stratificazione delle coorti

Il registro del flusso dei partecipanti riporta che sono stati valutati 216 individui, 6 esclusi e 210 iscritti. Diciassette sono stati persi prima della valutazione del giorno 90, e altri due partecipanti sono andati persi prima del giorno 180, lasciando 191 casi completi per le analisi longitudinali e modellizzate (Figura Supplementare 1). I 19 non completatori sono stati documentati nel registro di screening e follow-up per la segnalazione del flusso dei partecipanti, ma non sono stati inclusi nel dataset analitico e non sono stati inseriti valori di risultato. Il file di analisi, quindi, contiene la coorte predefinita di casi completi di 191 partecipanti.

Al giorno 180, 139 dei 191 partecipanti sono stati classificati come con buona aderenza e 52 come scarsa aderenza (Tabella 1). La residenza urbana e il sesso differivano tra i gruppi di aderenza nei confronti univariati, mentre altre variabili di base dovrebbero essere riportate con le loro stime esatte dell'effetto e i valori P, piuttosto che descritte collettivamente come bilanciate. La cellula femminile di scarsa aderenza conteneva cinque partecipanti, quindi le stime legate al sesso richiedono un'interpretazione prudente.

Caratterizzazione quantitativa del decadimento e delle transizioni dell'aderenza

Tra i 191 casi completi, una buona aderenza è stata dell'84,3% (161/191; IC esatto al 95%, 78,3%–89,1%) per i giorni 1–30, 77,0% (147/191; 70,3%–82,7%) per i giorni 31–90 e 72,8% (139/191; 65,9%–79,0%) per i giorni 91–180 (Figura 2). La differenza complessiva di coppie è stata significativa (Cochran Q = 31,0, df = 2, P < 0,001). I modelli osservati giorno-30/giorno-90/giorno-180 erano buoni/buoni/buoni (n = 138), buoni/buoni/poveri (n = 8), buoni/poveri/poveri/poveri (n = 15), scarsi/buoni/buoni (n = 1) e poveri/poveri/poveri/scarsi (n = 29) (Figura 3). Ci riferiamo a queste transizioni descrittivamente come transizioni di stato di aderenza, senza implicare che sia stato stabilito un nuovo costrutto comportamentale validato.

Sensibilità e reattività longitudinale delle metriche psicosociali

Tra i casi completi, i valori medi di BMQ-NCD erano 13,06 (SD 2,60) al giorno 30, 12,06 (3,03) al giorno 90 e 10,88 (3,84) al giorno 180; i valori medi di APGAR familiare erano rispettivamente 8,20 (1,28), 7,79 (1,45) e 7,23 (1,84). Sia i test omnibus Friedman che quelli di Wilcoxon a coppie corretti da Bonferroni hanno dato P < 0,001 (Tabella 2; Figura 4). I totali individuali del questionario dovrebbero essere rigenerati direttamente dai moduli di rapporto a livello di item prima che l'analisi finale venga bloccata.

Pesatura dei parametri e sintesi dello strumento predittivo

Il modello di previsione del giorno 30 ha mantenuto quattro predittori predefiniti (Tabella 3): residenza urbana (OR aggiustata, 3,64; IC 95%, 1,54–8,62; P = 0,0033), sesso maschile (OR aggiustato, 0,22; IC 95%, 0,06–0,76; P = 0,0174), giorno 30 BMQ-NCD per punto (OR aggiustato, 1,68; IC 95%, 1,39–2,05; P < 0,001), e il punteggio APGAR familiare al giorno 30 per punto (OR aggiustato, 1,99; IC 95%, 1,39–2,86; P < 0,001). L'intercettazione montata era -10.3811. La Figura 5 mostra la stessa codifica e scala a un punto usata nella Tabella 3, mentre la Figura 6 mappa i coefficienti non arrotondati al nomogramma.

Validazione metodologica: accuratezza e calibrazione

L'AUC apparente del modello era 0,879 (IC bootstrap 95%, 0,821–0,928), e l'AUC corretto per ottimismo dopo 1.000 ricampionamenti bootstrap riusciti era 0,867 (Figura 7). Il punteggio apparente del Brier era 0,118, mentre la pendenza di calibrazione corretta per ottimismo era di 0,923. Questi valori descrivono la performance interna nei 191 casi completi e non costituiscono una validazione esterna.

figure-results-1
Figura 1: Roadmap operativa standardizzata per il monitoraggio dell'aderenza post-ictus. Questo diagramma illustra il protocollo in quattro fasi implementato nello studio: Fase 1 (Iscrizione e baseline), Fase 2 (Dimissione in cure acute), Fase 3 (Monitoraggio longitudinale sistematico) e Fase 4 (Valutazione e analisi del rischio). Questa roadmap funge da Procedura Operativa Standard (SOP) per la metodologia proposta. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-2
Figura 2: Proporzioni longitudinali di buona aderenza. La figura mostra le proporzioni di adesione completa al caso buono per i giorni 1–30 nella valutazione del giorno 30 (84,3%), dai giorni 31–90 nella valutazione del giorno 90 (77,0%) e dai giorni 91–180 nella valutazione del giorno 180 (72,8%). Le barre di errore sono intervalli di confidenza esatti Clopper-Pearson a due facce al 95%. L'aderenza è stata classificata come buona quando la percentuale composita auto-dichiarata ponderata per giorno di esposizione era almeno dell'80%. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-3
Figura 3: Transizioni individuali di adesione e stato. Il diagramma alluvionale mostra la classificazione di buona o cattiva aderenza di ogni partecipante al giorno 30, giorno 90 e giorno 180. Le larghezze dei nastro rappresentano il numero di partecipanti. Il termine transizione di stato di aderenza è descrittivo e non viene presentato come un costrutto precedentemente validato. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-4
Figura 4: Distribuzioni familiari APGAR e BMQ-NCD nel tempo. Le riquadre che rappresentano (A) la famiglia APGAR e (B) le distribuzioni BMQ-NCD rappresentano l'intervallo interquartile, le linee centrali la mediana, i valori dei baffi entro 1,5 volte l'intervallo interquartile e i punti oltre i baffi le singole osservazioni. I confronti complessivi utilizzano i test di Friedman; i confronti accoppiati utilizzano test di rango segnato di Wilcoxon con correzione di Bonferroni. BMQ-NCD è il totale della necessità meno il totale delle preoccupazioni. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-5
Figura 5: Associazioni aggiustate nel modello di previsione del giorno 30. I punti sono OR aggiustati e le barre orizzontali sono IC del 95% per residenze urbane vs rurali, sesso maschile vs femminile, e aumenti di un punto nel giorno di base BMQ-NCD e APGAR familiare. L'asse orizzontale è logaritmico, e la linea di riferimento verticale indica OR = 1. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-6
Figura 6: Nomogramma per la probabilità stimata internamente di buona aderenza al giorno 180. Il nomogramma utilizza: residenza, sesso, BMQ-NCD al giorno 30 e punteggio APGAR familiare al giorno 30. I valori predittivi si mappano ai punti; Il totale dei punti corrisponde alla probabilità stimata. Un BMQ-NCD più alto indica che la necessità percepita supera le preoccupazioni, mentre un APGAR Familiare più alto indica una migliore percezione del funzionamento familiare. Il nomogramma richiede una validazione esterna prima dell'uso clinico. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-7
Figura 7: Validazione interna del modello di previsione del giorno 30. (A) La curva ROC mostra un apparente AUC di 0,879 (bootstrap IC 95%, 0,821-0,928) e un AUC corretto all'ottimismo di 0,867. (B) Il pannello di calibrazione confronta probabilità previste e osservate. La linea ideale indica la calibrazione perfetta, la curva apparente descrive il campione adattato, e la curva corretta al bias riflette la correzione dell'ottimismo bootstrap a 1.000 ricampioni. Le linee ombreggiate o di confine, se mostrate, rappresentano limiti di confidenza del 95%; i segni del tappeto mostrano la distribuzione delle probabilità previste. Clicca qui per visualizzare una versione più grande di questa figura.

CaratteristicheComplessivo (N = 191)Scarsa aderenza (N = 52)Buona adempienza (N = 139)Valore P
Età, anni59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Gruppo d'età, n (%)0.822
<65 anni120 (62.8%)32 (61.5%)88 (63.3%)
>=65 anni71 (37.2%)20 (38.5%)51 (36.7%)
Sesso, n (%)0.015
Femmina41 (21.5%)5 (9.6%)36 (25.9%)
Maschio150 (78.5%)47 (90.4%)103 (74.1%)
Residenza, n (%)<0.001
Rurale92 (48.2%)36 (69.2%)56 (40.3%)
Urbano99 (51.8%)16 (30.8%)83 (59.7%)
Istruzione, n (%)0.224
Scuola primaria o inferiore59 (30.9%)21 (40.4%)38 (27.3%)
Scuola media50 (26.2%)13 (25.0%)37 (26.6%)
Scuola superiore/tecnico36 (18.8%)10 (19.2%)26 (18.7%)
Titolo universitario o superiore46 (24.1%)8 (15.4%)38 (27.3%)
Stato civile, n (%)0.905
Sposati175 (91.6%)47 (90.4%)128 (92.1%)
Non sposato9 (4.7%)3 (5.8%)6 (4.3%)
Divorziati/vedovo7 (3.7%)2 (3.8%)5 (3.6%)
Occupazione, n (%)0.138
Impiegati/professionali36 (18.8%)9 (17.3%)27 (19.4%)
Operaio25 (13.1%)7 (13.5%)18 (12.9%)
Agricoltore39 (20.4%)16 (30.8%)23 (16.5%)
Ritirato45 (23.6%)7 (13.5%)38 (27.3%)
Lavoratore autonomo/altro46 (24.1%)13 (25.0%)33 (23.7%)
Reddito mensile, 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%)
Punteggio NIHSS al dimissione2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Durata del ricovero, giorni8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tabella 1: Caratteristiche della popolazione studiata per la validazione metodologica (N = 191). Questa tabella riassume i profili demografici e clinici dei partecipanti, stratificati in base al loro stato di auto-riferimento di 180 giorni di permanenza al farmaco (Buono vs. Scarso). Le variabili categoriche sono presentate come frequenze (n) e percentuali (%). I valori p sono forniti per confronti descrittivi tra gruppi e non sono stati utilizzati per la selezione dei predittori. Clicca qui per scaricare questa tabella.

MisuraGiorno 30, media +/- SDGiorno 90, media +/- SDGiorno 180, media +/- SDCambiamento (giorno 180 - giorno 30), media +/- DSFriedman chi-quadrato (df = 2)Valore globale P
Punteggio totale BMQ-NCD13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0.001
Punteggio APGAR di famiglia8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0.001

Tabella 2: Punteggi longitudinali BMQ-NCD e APGAR familiare. Questa tabella riporta ogni scala al giorno 30, giorno 90 e giorno 180 come media (DS) e mediana (IQR). I valori P complessivi provengono dai test di Friedman; i valori P post-hoc accoppiati provengono dai test di rangi firmati di Wilcoxon con correzione di Bonferroni. BMQ-NCD è il totale della Necessità Specifica BMQ meno il totale delle Preoccupazioni (intervallo, -20-20).

Predittoreβ coefficienteErrore standardWald zValore PSala operatoria aggiustata (IC 95%)Codifica / unità
Intercettazione-10.38112.0697-5.016<0.001—Intercetta del modello
Residenza urbana1.29210.43962.940.00333.64 (1.54–8.62)Urbano vs rurale (riferimento)
Sesso maschile-1.52150.6395-2.3790.01740.22 (0.06–0.76)Maschio vs femmina (riferimento)
Base BMQ-NCD0.52110.09955.238<0.0011.68 (1.39–2.05)Per ogni aumento di 1 punto
APGAR di Famiglia di Base0.68870.18473.728<0.0011.99 (1.39–2.86)Per ogni aumento di 1 punto

Tabella 3: Specificazione completa di regressione logistica multivariabile per una buona aderenza al giorno 180 (N = 191). La tabella riporta i coefficienti di intercetta e regressione, gli errori standard, le statistiche di Wald, i valori P, le OR aggiustate e gli intervalli di confidenza al 95% per il modello finale di regressione logistica multivariabile. La buona aderenza è codificata 1, mentre la scarsa aderenza è codificata 0. La residenza è Urbana = 1 contro Rurale = 0; sesso è Maschio = 1 contro Femmina = 0; il giorno 30 BMQ-NCD e il giorno 30 APGAR familiare sono modellati per un aumento di un punto.

Figura supplementare 1: Flusso dei partecipanti e selezione delle coorti per lo studio longitudinale sull'aderenza al farmaco.Clicca qui per scaricare questo file.

File supplementare 1: Il dataset analitico completo. Clicca qui per scaricare questo file.

Discussione

Questo studio descrive un protocollo telefonico longitudinale standardizzato e sviluppa internamente un modello di previsione al giorno 30 per l'adesione auto-riportata al farmaco al giorno 180 dopo un ictus ischemico. Tre risultati sono centrali. Innanzitutto, la percentuale classificata come buona aderenza è diminuita dall'84,3% al giorno 30 al 77,0% al giorno 90 e al 72,8% al giorno 180. In secondo luogo, anche i punteggi BMQ-NCD e Family APGAR sono diminuiti durante le valutazioni programmate. Terzo, residenza urbana, sesso, giorno 30 BMQ-NCD e giorno 30 APGAR familiare erano associate all'aderenza al giorno 180 nel modello predefinito del giorno 30. Questi risultati supportano la valutazione ripetuta post-dimissione, pur rimanendo descrittivi e internamente predittivi piuttosto che causali.

La riduzione della prevalenza di buona aderenza è coerente con ricerche precedenti sull'ictus che hanno mostrato che la persistenza con farmaci secondari di prevenzione può diminuire dopo ladimissione 17,18,19,20. La maggior parte dei partecipanti è rimasta nella categoria di buona adesione, mentre il gruppo con il maggior cambiamento è passato da buona a scarsa adesione. Questo schema suggerisce che un colloquio precoce soddisfacente non dovrebbe essere considerato come prova di un'assunzione prolungata di farmaci. Clinicamente, la rivalutazione del giorno 90 può identificare i pazienti il cui comportamento è cambiato dopo il periodo di recupero immediato, e il colloquio day-180 offre un'opportunità successiva per esaminare la complessità del regime, gli effetti avversi, le barriere di accesso e il coinvolgimento del caregiver.

Un importante contributo metodologico è la separazione delle tre finestre di richiamo non sovrapposte: giorni 1–30, giorni 31–90 e giorni 91–180. Questo approccio evita di dover chiedere ripetutamente ai partecipanti di ricostruire l'intero periodo post-dimissione e collega ogni stima a un intervallo definito. Il composito ponderato per giorno di esposizione include anche classi di farmaci con diverse durate prescritte. Tuttavia, rimane una proporzione auto-dichiarata di giorni di aderenza alla classe, non PDC derivati dalla farmacia. L'errore di richiamo e il bias di desiderabilità sociale possono quindi sovrastimare l'ingestione. Le percentuali osservate dovrebbero essere interpretate come stime strutturate dell'intervista piuttosto che come conferme oggettive che un farmaco sia stato dispensato o assunto.

I risultati longitudinali BMQ-NCD forniscono un possibile contesto psicosociale per il modello di aderenza. BMQ-NCD è il punteggio di Necessità meno il punteggio di Preoccupazioni e rappresenta quindi l'equilibrio relativo tra bisogno percepito e apprensione, piuttosto che un totale globale di BMQ25, 26, 34. Un valore più basso può riflettere convinzioni di necessità più deboli, preoccupazioni più forti, o entrambi. L'amministrazione ripetuta può aiutare i clinici a identificare quale componente è cambiata e a adattare la consulenza di conseguenza, ma le analisi attuali non possono determinare se i cambiamenti nelle credenze abbiano preceduto i cambiamenti nell'aderenza. Le risposte al questionario possono anche essere influenzate dallo stato di salute e dall'esperienza del trattamento. I registri a livello di item e lo strumento cinese esatto devono essere verificati prima di trarre conclusioni meccanicistiche.

Famiglia APGAR misura analogamente il funzionamento familiare percepito piuttosto che la quantità di assistenza osservataoggettivamente 27,28. Durante il recupero da ictus, cambiamenti nella disabilità, nelle attività della vita quotidiana, nel disagio psicologico, nel carico per il caregiver, nei ruoli familiari e nelle aspettative culturalmente modellate possono modificare il modo in cui il supporto vienevissuto 35,36,37,38,39,40. Il calo dell'APGAR familiare dovrebbe quindi essere descritto come un'associazione all'interno di questa coorte, non come una prova che il supporto familiare inevitabilmente si deteriori o causi la mancata adesione. Il risultato supporta comunque il coinvolgimento del caregiver nel follow-up e nella valutazione ripetuta dei ruoli pratici di supporto e trattamento.

Il modello di previsione rivisto è destinato all'uso dopo il follow-up del giorno 30 perché in quella valutazione sono stati raccolti due predittori psicosociali. Le visite ambulatoriali post-dimissione avvenute dopo il giorno 30 sono state escluse per ridurre l'ambiguità temporale. Punteggi più alti BMQ-NCD e APGAR familiare al giorno 30 erano associati a maggiori probabilità di buona aderenza al giorno 180, supportando il potenziale valore di una rivalutazione psicosociale precoce. Le visite ambulatoriali post-dimissione sono state escluse perché sono contemporanee alla finestra di esame e potrebbero introdurre ambiguità temporale. La residenza urbana può rappresentare accesso, disponibilità di farmaci o continuità delle cure, ma questi meccanismi non sono stati misurati e la residenza non deve essere interpretata in modo causale. Punteggi più alti di BMQ-NCD e APGAR familiare erano associati a maggiori probabilità di buona adesione, supportando il potenziale valore della valutazione psicosociale al momento della dimissione. Il sesso maschile era associato a probabilità più basse, ma questo coefficiente è statisticamente fragile perché solo cinque donne appartenevano al gruppo con scarsa aderenza. Rimangono plausibili confondimenti residui, effetti di dati scarsi e modelli di cura specifici per centro.

L'apparente AUC di 0,879 e l'AUC corretta per ottimismo di 0,867 indicano una buona discriminazione all'interno dei 191 casi complessivi. Il punteggio apparente di Brier di 0,118 e la pendenza di calibrazione corretta per ottimismo di 0,923 forniscono informazioni complementari sull'errore di previsione e sulla calibrazione. La correzione bootstrap riduce l'ottimismo quando le prestazioni del modello vengono valutate sul campione di sviluppo, ma non stabilisce la trasportabilità. Queste stime non dimostrano superiorità rispetto ad altri modelli, né prontezza per l'allocazione delle risorse né una soglia di probabilità validata per le decisioni cliniche. Il nomogramma è una rappresentazione dell'equazione adattata. È necessaria una validazione temporale o multicentrica indipendente, con ricalibrazione se necessaria, prima di essere utilizzata per dirigere l'assistenza al paziente.

Studi computazionali recenti aggiungono metodi assenti nella revisione originale: selezione delle caratteristiche consapevoli dello squilibrio nei dati tumorali ad altadimensione 41, supporto mHealth per persone con demenza ecaregiver 42, strategie di selezione delle caratteristiche per grandi databasemedici 43, deep learning supportato da ADASYN per la previsione dell'incidenza degli ictus44, e framework più ampi di monitoraggio della salute con apprendimentoautomatico 45. Questi sono comparatori utili, ma i loro obiettivi diagnostici, ad alta dimensione o orientati ai sensori differiscono dal nostro modello di aderenza a quattro predittori con 191 partecipanti. I futuri dataset esterni dovrebbero confrontare la regressione logistica predefinita con approcci penalizzati e di apprendimento automatico, riportando calibrazione e utilità clinica.

Diverse limitazioni definiscono l'ambito dei risultati. Il campione di convenienza a centro singolo limita la generalizzabilità, e l'analisi completa del caso ha escluso 19 dei 210 partecipanti arruolati che non hanno completato il follow-up; Sebbene il loro flusso sia stato documentato, il bias di attrito rimane possibile e non sono stati imputati valori di risultato. Tre punti di valutazione non possono cogliere fluttuazioni a breve termine, e l'orizzonte di 180 giorni non caratterizza la persistenza a lungo termine né gli esiti vascolari ricorrenti. L'autovalutazione non è stata incrociata con i dati di dispensazione, il conteggio delle pillole o il monitoraggio elettronico. Il campione limita anche l'analisi dettagliata dei sottogruppi e può produrre coefficienti instabili per categorie scarse. I punti di forza includono intervalli non sovrapposti, regole esplicite per il trattamento di più farmaci, uso di predittori demografici predefiniti e di giorni 30 psicosociali, e la validazione interna bootstrap. Gli studi futuri dovrebbero collegare le interviste a misure di ricarica o elettroniche, documentare il tipo di rispondente, estendere il follow-up a 12 mesi e valutare il modello in coorti indipendenti.

Conclusione

In conclusione, questo protocollo definisce tre valutazioni post-dimissione dell'assunzione auto-riportata di farmaci e un modello interpretabile day-180 limitato a quattro predittori clinici e psicosociali predefiniti. Il modello ha mostrato prestazioni interne promettenti nella coorte di casi completi, ma richiede una validazione esterna indipendente prima dell'implementazione clinica.

Dichiarazioni

Tutti gli autori non hanno dichiarato conflitti di interesse.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
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/)

Riferimenti

  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.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Prevenzione secondariaaderenza auto riferitamodello logisticoFamily APGARBMQ Specificresidenza urbana

Articoli correlati