Methodenartikel

Longitudinale monitoring en voorspellende modellering van medicatietrouw bij patiënten met ischemische beroerte

52 weergaven

⸱

DOI:

10.3791/71636

⸱

11 augustus 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 dit artikel

Samenvatting

Dit protocol beschrijft gestructureerde telefonische beoordeling van zelfgerapporteerde medicatiegebruik op 30, 90 en 180 dagen na ontslag en de interne ontwikkeling van een vroeg follow-up voorspellingsmodel voor overlevenden van ischemische beroertes. Het protocol scheidt zelfgerapporteerde inname van apotheekgebaseerde PDC en gebruikt vooraf gedefinieerde demografische en dag-30 psychosociale voorspellers.

Samenvatting

Medicatietrouw is essentieel voor secundaire preventie na ischemische beroerte, maar zelfgerapporteerde therapietrouw kan tijdens de follow-up veranderen. In dit longitudinale kader met één centrum waren 210 deelnemers ingeschreven en voltooiden 191 de 180-dagen tellende beoordeling. Medicatiegebruik werd beoordeeld met een gestructureerd telefonisch interview voor dagen 1–30, 31–90 en 91–180, en werd als goed geclassificeerd wanneer het composittherapiepercentage op blootstellingsdagen minstens 80% bedroeg. De Chinese BMQ-specifieke en familie-APGAR werden afgenomen op dag 30, dag 90 en dag 180. Een logistiek model met vier voorspellers gebruikte woon-, geslachts-, BMQ-NCD op dag 30 en gezins-APGAR op dag 30 en werd intern gevalideerd met 1.000 bootstrap-hermonsters. Van de 191 volledige gevallen was de goede therapietrouw 84,3% (95% BI, 78,3%–89,1%) op dag 30, 77,0% (95% BI, 70,3%–82,7%) op dag 90, en 72,8% (95% BI, 65,9%–79,0%) op dag 180. Stedelijke woonplaats, mannelijk geslacht, dag-30 BMQ-NCD en dag-30 gezins-APGAR-score waren geassocieerd met dag-180 naleving. De schijnbare AUC was 0,879 (95% BI, 0,821–0,928), en de optimisme-gecorrigeerde AUC was 0,867. Het protocol biedt een reproduceerbaar kader voor longitudinale beoordeling van zelfgerapporteerde naleving en een intern gevalideerd voorspellingsmodel op dag 30. Externe validatie en objectieve nalevingsmaatregelen zijn vereist voordat klinische implementatie nodig is.

Inleiding

Beroerte blijft wereldwijd een belangrijke oorzaak van langdurige invaliditeit en sterfte, wat een verfijnde klinische definitie vereist die zowel pathologisch als beeldvormendbewijs meeneemt. Ondanks vooruitgang in acute interventies blijft de wereldwijde last van beroertes toenemen, waarbij ischemische beroerte de overgrote meerderheidvan de gevallen uitmaakt. Deze trend is vooral uitgesproken in China, waar de prevalentie van vasculaire risicofactoren kritieke niveaus heeft bereikt, wat een enorme druk legt op hetzorgsysteem. Bewijs suggereert dat overlevenden van een eerste beroerte een hoog risico lopen op terugkerende vasculaire gebeurtenissen, waarbij gemeenschapsstudies de aanhoudende kwetsbaarheid van deze populatie benadrukken4. Hoewel het beheersen van de acute fase aanzienlijke uitdagingen met zich meebrengt5, worden de langetermijnoverleving en levensverwachting van deze patiënten voornamelijk bepaald door de effectiviteit van secundaire preventiestrategieën 6,7.

De hoeksteen van secundaire preventie bestaat uit strenge farmacologische behandeling, waaronder bloeddrukverlaging en anti-trombocytentherapie 8,9,10. Internationale richtlijnen van de American Heart Association (AHA), de European Stroke Organisation (ESO) en de Canadian Stroke Best Practice Recommendations benadrukken dat naleving van deze regimes essentieel is om recidieven te voorkomen 11,12,13,14. Desalniettemin wordt het klinische nut van deze interventies vaak ondermijnd door slechte medicatietrouw 15,16. Medicatietrouw is een multidimensionaal concept dat zowel initiatie als persistentieomvat 15,17. Recente registergegevens geven aan dat een grotere naleving van secundaire preventiemedicatie de overleving significant verbetert en de recidiefpercentages verlaagtmet 17,18. Zo is statine-trouw onafhankelijk geassocieerd met een verminderd recidiverend risico19.

Ondanks deze voordelen constateerden longitudinale studies een significante "temporele afname" in de therapieratio tijdens het eerste jaar na ontslag20. Hoewel demografische factoren zoals sekseverschillen en sociaaleconomische status de persistenzbeïnvloeden 21,22, is er een toenemende erkenning van de rol van psychosociale en cognitieve factoren bij het vormen van patiëntgedrag23,24. De Beliefs about Medicines Questionnaire (BMQ) is naar voren gekomen als een gevalideerd hulpmiddel om de cognitieve representatie van medicatie te beoordelen via het "Necessity-Concerns"-raamwerk25. Systematische reviews hebben aangetoond dat BMQ-scores robuuste voorspellers zijn van trouw bij verschillende chronische aandoeningen in China26. Evenzo speelt de sociale omgeving, met name het functioneren van het gezin, een cruciale rol. De Family APGAR Index biedt een betrouwbare maatstaf voor waargenomen ondersteuning, wat cruciaal is voor patiënten die navigeren door de complexiteit van het leven na een beroerte27,28.

Hoewel de NIHSS en de aangepaste Rankin-schaal neurologische ernst en functionele uitkomstbeschrijven met 29,30, meten ze niet direct medicatieovertuigingen of waargenomen gezinsfunctioneren31. Mobiele gezondheidszorg en WeChat-gebaseerde diensten zijn onderzocht, aangezien naleving32,33 ondersteunt. Het huidige protocol heeft daarom twee doelen: het definiëren van medicatiebeoordeling op dag 30, dag 90 en dag 180 met consistente terminologie, en het ontwikkelen van een interpreteerbaar day-180 therapiemodel met vooraf gedefinieerde demografische en psychosociale variabelen die tijdens het onderzoek zijn verzameld.

Protocol

Het protocol werd goedgekeurd door de Ethische Commissie voor Biomedisch Onderzoek, West China Hospital van de Universiteit van Sichuan (Goedkeuringsnummer 2021 Review (1303); goedkeuringsdatum 8 november 2021). Alle gerapporteerde procedures werden uitgevoerd in overeenstemming met de eisen van de commissie en het goedgekeurde protocol. De volledige analytische dataset wordt verstrekt in Aanvullend Bestand 1.

1. Patiëntscreening en basisinschrijving

  1. Identificeer potentiële deelnemers uit de opnamegegevens van de afdeling Neurologie. Geselecteerde patiënten die de diagnose acute ischemische beroerte kregen via magnetische resonantiebeeldvorming (MRI) of computertomografie (CT). Noteer het totale aantal personen dat aanvankelijk gescreend wordt om de basislijn voor het deelnemersstroomdiagram vast te stellen.
  2. Screenen patiënten op basis van de vooraf gespecificeerde inclusiecriteria. Neem volwassenen met een door beeldvorming bevestigde acute ischemische beroerte mee die het interview zelf of via een juridisch bevoegde vertegenwoordiger kunnen afronden.
  3. Pas uitsluitingscriteria toe. Sluit patiënten uit met een voorgeschiedenis van ernstige psychische aandoeningen, cognitieve beperking (vastgesteld door klinische dossiers) of een levensverwachting van minder dan zes maanden. Documenteer de exacte redenen en bijbehorende aantallen voor eventuele uitsluitingen in deze fase (bijvoorbeeld levensverwachtingsbeperkingen of weigering om toestemming te geven).
  4. Vraag vóór inschrijving schriftelijke geïnformeerde toestemming aan de patiënt of, wanneer de patiënt geen toestemming kan geven, aan een juridisch bevoegde vertegenwoordiger, met behulp van het door de commissie goedgekeurde formulier voor geïnformeerde toestemming. Leg het longitudinale studieontwerp uit, telefonische beoordelingen en het follow-up schema van 180 dagen vóór ondertekening. Noteer de identiteit en rol van de instemmende persoon, de datum van toestemming en het studiemedewerker dat toestemming heeft verkregen.
  5. Verzamel basisgegevens van demografische en klinische gegevens binnen 48 uur na opname. Noteer leeftijd, geslacht, woonplaats, opleidingsniveau en maandinkomen met behulp van een gestandaardiseerd casusrapportformulier.
  6. Laat bij ontslag een getrainde beroertearts de gevalideerde Chinese NIHSS afnemen met behulp van de standaard 11 gescorede items en een totaal bereik van 0–4229. Noteer de totale score, de rol van beoordelaar, de status van de training, de beoordelingsdatum en de duur van het ziekenhuisverblijf.
  7. Voer de toegestane Chinese BMQ-Specific af via een gestructureerd face-to-face interview vóór ontslag en telefonisch op dag 30, dag 90 en dag 18025, 34.
    OPMERKING: Het instrument bevat vijf Noodzaak-items en vijf Zorg-items. Geef elk item een score van 1 (sterk oneens) tot 5 (helemaal mee eens) en tel de vijf items in elke subschaal op; De totalen van Noodzaak en Zorgen variëren dus elk van 5 tot 25.
  8. Bereken het noodzaam-zorgendifferentieel (BMQ-NCD) als Noodzaak minus Zorgen (bereik, -20 tot 20). Hogere nood en hogere BMQ-NCD-waarden duiden op een sterkere waargenomen behoefte ten opzichte van zorgen, terwijl een hogere Zorgwaarde wijst op grotere bezorgdheid.
    OPMERKING: Vereis alle vijf antwoorden voor elke subschaal; anders codeer die subschaal en de BMQ-NCD als ontbrekend. Gebruik dag 30 BMQ-NCD als de voorspeller van het continue model. Tegelijkertijd wordt het Chinese gezin APGAR27 georganiseerd.
  9. Score Adaptatie, Partnerschap, Groei, Genegenheid en Resolve als 0 (bijna nooit), 1 (soms), of 2 (bijna altijd), en tel de vijf items op tot een geheel totaal van 0-10; hogere scores duiden op beter waargenomen gezinsfunctioneren. Als er een Family APGAR-item ontbreekt, codeer dan het totaal als ontbrekend. Noteer de instrumentversies, autorisatie, beheerder, respondent, datum, itemreacties, subschaaltotalen en totale scores op het caserapportformulier.

2. Voorbereiding op ontslag en patiënteneducatie

  1. Voer een gestandaardiseerde medicatiebegeleidingssessie uit vóór ontslag. Geef een schriftelijke lijst van voorgeschreven secundaire preventiemiddelen, waaronder anti-trombocyten, statines en antihypertensie.
  2. Informeer de patiënt en hun primaire zorgverlener over het belang van medicatietherapie. Toon aan hoe je medicatie-inname kunt registreren als de patiënt van plan is een pillendoosje of dagboek te gebruiken.
  3. Controleer het primaire telefoonnummer van de patiënt. Stel een voorkeurstijdsvenster vast voor toekomstige vervolggesprekken om het verloop te minimaliseren en een hoog responspercentage te garanderen.

3. Post-discharge longitudinale follow-up (dag 30, dag 90 en dag 180)

  1. Voer het eerste gestructureerde telefonische interview op dag 30 na ontslag (streefvenster, plus of min 3 dagen). Voor elke secundaire preventiemedicatieklasse die in dag 1–30 wordt voorgeschreven, noteer je de naam, de voorgeschreven dagelijkse doseringsfrequentie, het aantal blootgestelde dagen en het zelfgerapporteerde aantal klas-adherente dagen op dag 1–30.
    1. Noteer de respondent (patiënt of primaire medicatiebehandelende zorgverlener), contactdatum, regimewijzigingen, tijdelijke door artsen aangestuurde onderbrekingen en redenen voor niet-voltooiing. Voer tijdens hetzelfde interview de BMQ-specifieke en Family APGAR uit en registreer de scores van dag 30
  2. Voer het tweede interview op dag 90 (streefvenster, plus of min 7 dagen). Herhaal de klassespecifieke medicatievragen voor de niet-overlappende dagen van 31–90 en dien de BMQ en Family APGAR uit. Vraag de deelnemer niet opnieuw om dagen 1–30 te reconstrueren; behoud het dag-30 record als bron voor dat interval.
  3. Voer het laatste interview uit op dag 180 (doelvenster, plus of min 7 dagen). Herhaal de klassespecifieke medicatievragen voor het niet-overlappende dag 91–180 interval, dien de BMQ en Family APGAR uit, en noteer de dag van 180 mRS wanneer beschikbaar.
  4. Gebruik bij alle drie de follow-ups hetzelfde gestructureerde interviewformulier en respondentregel. Wanneer een patiënt niet kan reageren vanwege cognitieve, taal- of lichamelijke beperkingen, gebruik dan de verzorger die het medicatieregime beheert en registreer die substitutie. Claim geen verificatie van pillentelling, dagboek, apotheek of interviewerblinding tenzij dit in de brongegevens is gedocumenteerd.
  5. Noteer poliklinische bezoeken alleen voor beschrijvende follow-up. Neem geen enkele post-ontladingsvariabele op in een voorspellingsmodel dat bedoeld is voor gebruik na de beoordeling van dag 30.
  6. Definieer de baseline als de opname/ontslagbeoordeling en label de nalevingsbeoordelingen op kalendertijd (dag 30, dag 90 en dag 180), in plaats van T1, T2 en T3. Dit voorkomt het eerdere conflict waarin T1 zowel naar de basislijn als naar dag 30 verwees.

4. Kwantificering van zelfgerapporteerde medicatietrouw

  1. Gebruik de term PDC niet, tenzij de naleving voortkomt uit het verstrekken of hervullen van dossiers. Behandel antitrombotische therapie (anti-trombocyt of orale antistollings, afhankelijk van de aangegeven), lipidenverlagende therapie, antihypertensieve therapie en glucoseverlagende therapie als aparte secundaire preventieklassen alleen wanneer deze aan die deelnemer wordt voorgeschreven.
    1. Definieer voor elke voorgeschreven les een klas-aanhoudende dag als een dag waarop elke geplande dosis in die klas naar verluidt is ingenomen; Het weglaten van een geplande dosis maakt dat die lesdag niet meer naleeft. Door artsen aangewezen stopzettingen, substituties en tijdelijke opsluitingen worden niet meegeteld als verwachte blootstelling dagen na de gedocumenteerde ingangsdatum.
    2. Bereken het interval samengestelde zelfgerapporteerde therapiepercentage als 100 vermenigvuldigd met de som van de klas-adherent dagen over voorgeschreven klassen gedeeld door de som van de verwachte klasblootstellingsdagen in die klassen. Deze berekening op blootstellingsdagen houdt rekening met verschillende voorschrijfduur en is alleen gelijk aan het gemiddelde van klassespecifieke verhoudingen wanneer elke klasse voor hetzelfde aantal dagen wordt voorgeschreven. Gebruik dagen 1–30 voor de dag-30 waarde, dagen 31–90 voor de dag 90 waarde, en dagen 91–180 voor de dag 180 waarde.
  2. Bij elke follow-up classificeer je goede naleving als een zelfgerapporteerd aandeel van de volgdagen van minstens 80% en slechte naleving als minder dan 80%. Behandel ontbrekende nalevingsbeoordelingen als ontbrekend; Wijs ze niet toe aan de categorie slechte therapie.

5. Data-integratie, longitudinale analyse en voorspellende modellering

  1. Voer de reproduceerbare analyse uit met de programmeertaal Python (versie 3.13.5) met bibliotheken voor datamanipulatie, numerieke berekeningen, statistische analyse en visualisatie op een 64-bit Windows-besturingssysteem. Stel de willekeurige seed in op 71636 en codeer ontbrekende waarden als NA. Als het uiteindelijke team in plaats daarvan R gebruikt, vervang dan deze sectie door de exact uitgevoerde R-versie, pakketversies, functies en script; Rapporteer geen niet-uitgevoerde softwareworkflow.
  2. Vat de verhoudingen goede naleving samen op dag 30, dag 90 en dag 180 met tweezijdige 95% Clopper-Pearson exacte betrouwbaarheidsintervallen. Test de algehele gepaarde verandering in binaire trouw met de Q-test van Cochran, gevolgd door exacte gepaarde McNemar-tests met Bonferroni-correctie.
  3. Analyseer BMQ-NCD en Family APGAR over dag 30, dag 90 en dag 180 onder complete gevallen met behulp van de Friedman-test. Wanneer de omnibus-test significant is, voer dan gekoppelde Wilcoxon-vergelijkingen van teken-rang uit met Bonferroni-correctie. Rapporteer medianen en interkwartielbereiken naast gemiddelden en standaarddevialies. Bereken individuele schaaltotalen uit de antwoorden op itemniveau vóór de analyse; Analyseer geen geïnterpoleerde of handmatig gladgestrekte vragenlijstwaarden.
  4. Definieer de uitkomst van dag 180 als goede naleving = 1 en slechte naleving = 0. Refit een dag-30 multivariabele logistieke regressie met vier vooraf gespecificeerde voorspellers: residentie (Stedelijk = 1; Landelijk = 0), geslacht (Man = 1; Vrouw = 0), dag 30 BMQ-NCD (continu), en dag 30 Familie APGAR-score (continu). Gebruik geen poliklinische vervolgbezoeken. Vermijd het beschrijven van univariate screening of achterwaartse selectie, tenzij die procedure daadwerkelijk is uitgevoerd en in code is vastgelegd.
  5. Specificeer de volledige aangepaste vergelijking: logit[P(goede naleving op dag 180)] = -10,3811 + 1,2921(Stedelijk) - 1,5215(Man) + 0,5211(BMQ-NCD) + 0,6887 (Familie APGAR). Genereer het nomogram direct uit deze onafgeronde coëfficiënten en gebruik lezergerichte labels, referentiecategorieën, scorebereiken en richtingsniveaus.
  6. Beoordeel discriminatie met de ROC AUC en een 95% betrouwbaarheidsinterval van een percentiel-bootstrap. Beoordeel de totale voorspellingsfout met de Brier-score en kalibratie met een kalibratiegrafiek en een kalibratiehelling. Rapporteer schijnbare prestaties los van optimisme-gecorrigeerde prestaties.
  7. Voer 1.000 succesvolle bootstrap-resamples uit. In elke herbemonstering past je het volledige vier-voorspellermodel opnieuw in en schat je optimisme door de prestaties in de bootstrap-steekproef te vergelijken met de prestaties in de oorspronkelijke steekproef. Trek gemiddelde optimisme af van schijnbare prestaties.

6. Patiëntvertrouwelijkheid en gegevensveiligheid

  1. Zorg ervoor dat alle patiënt-identificeerbare informatie wordt verwijderd vóór de analyse. Sla het hoofdlinkagebestand op in een wachtwoordbeveiligd, versleuteld institutioneel systeem dat alleen toegankelijk is voor geautoriseerd studiepersoneel.
  2. Ken bij inschrijving een unieke alfanumerieke ID toe aan elke deelnemer. Gebruik dit ID voor alle volgende vervolgformulieren en digitale gegevens.

Resultaten

Implementatie van het gestandaardiseerde protocol en cohortstratificatie

Het deelnemer-stroomlogboek meldt dat 216 personen werden beoordeeld, 6 werden uitgesloten en 210 werden ingeschreven. Zeventien gingen verloren vóór de dag-90 beoordeling, en twee extra deelnemers verloren vóór dag 180, waardoor er 191 volledige gevallen overbleven voor de longitudinale en modelleeranalyses (Aanvullende Figuur 1). De 19 niet-voltooiers werden gedocumenteerd in het screenings- en follow-uplogboek voor participatieflowrapportage, maar werden niet opgenomen in de analytische dataset, en er werden geen uitkomstwaarden geïmimputeerd. Het analysebestand bevat daarom de vooraf gespecificeerde complete-case cohort van 191 deelnemers.

Op dag 180 werden 139 van de 191 deelnemers geclassificeerd als goed therapietrouw en 52 als slecht (Tabel 1). Stedelijke woonplaats en geslacht verschilden tussen de adherentiegroepen in univariate vergelijkingen, terwijl andere basislijnvariabelen met hun exacte effectschattingen en P-waarden moeten worden gerapporteerd in plaats van als gezamenlijk als gebalanceerd beschreven te worden. De vrouwelijke poor adherence cell bevatte vijf deelnemers, dus geslachtsgerelateerde schattingen vereisen zorgvuldige interpretatie.

Kwantitatieve karakterisering van hechtingsafname en overgangen

Van de 191 volledige gevallen was goede therapietrouw 84,3% (161/191; exact 95% BI, 78,3%–89,1%) voor dag 1–30, 77,0% (147/191; 70,3%–82,7%) voor dagen 31–90, en 72,8% (139/191; 65,9%–79,0%) voor dagen 91–180 (Figuur 2). Het totale verschil in gepaarde groepen was significant (Cochran Q = 31,0, df = 2, P < 0,001). De waargenomen dag-30/dag-90/dag-180 patronen waren goed/goed/goed (n = 138), goed/goed/slecht (n = 8), goed/slecht/slecht (n = 15), slecht/goed/goed (n = 1) en slecht/slecht/slecht (n = 29) (Figuur 3). We noemen deze beschrijvend adherence-state transitions, zonder te impliceren dat er een nieuw gevalideerd gedragsconstruct is vastgesteld.

Gevoeligheid en longitudinale responsiviteit van psychosociale metrieken

Onder de volledige gevallen waren de gemiddelde BMQ-NCD-waarden 13,06 (SD 2,60) op dag 30, 12,06 (3,03) op dag 90 en 10,88 (3,84) op dag 180; gemiddelde Family APGAR-waarden waren respectievelijk 8,20 (1,28), 7,79 (1,45) en 7,23 (1,84). Zowel Friedman omnibus-tests als Bonferroni-gecorrigeerde gepaarde Wilcoxon-tests leverden P < 0,001 op (Tabel 2; Figuur 4). Individuele vragenlijsttotalen moeten direct worden gegenereerd uit de caserapportformulieren op itemniveau voordat de definitieve analyse wordt vastgezet.

Parameterweging en synthese van het voorspellende hulpmiddel

Het day-30 voorspellingsmodel behield vier vooraf gespecificeerde voorspellers (Tabel 3): stedelijke woonplaats (aangepaste OR, 3,64; 95% BI, 1,54–8,62; P = 0,0033), mannelijk geslacht (aangepaste OR, 0,22; 95% BI, 0,06–0,76; P = 0,0174), dag 30 BMQ-NCD per punt (aangepaste OR, 1,68; 95% BI, 1,39–2,05; P < 0,001), en dag 30 Family APGAR-score per punt (aangepaste OR, 1,99; 95% BI, 1,39–2,86; P < 0,001). De gemonteerde onderschepping was -10,3811. Figuur 5 toont dezelfde codering en éénpuntsschaal als in Tabel 3, en Figuur 6 brengt de onafgeronde coëfficiënten in kaart met het nomogram.

Methodologische validatie: Nauwkeurigheid en kalibratie

De schijnbare AUC van het model was 0,879 (bootstrap 95% BI, 0,821–0,928), en de door optimisme gecorrigeerde AUC na 1.000 succesvolle bootstrap-resamples was 0,867 (Figuur 7). De schijnbare Brier-score was 0,118, en de door optimisme gecorrigeerde kalibratiehelling was 0,923. Deze waarden beschrijven de interne prestaties in de 191 volledige gevallen en vormen geen externe validatie.

figure-results-1
Figuur 1: Gestandaardiseerde operationele routekaart voor monitoring van naleving na een beroerte. Dit stroomdiagram illustreert het vierfasenprotocol dat in de studie is geïmplementeerd: Fase 1 (Inschrijving en basislijn), Fase 2 (Acute zorgontslag), Fase 3 (Systematische longitudinale monitoring) en Fase 4 (Risicobeoordeling en -analyse). Deze roadmap dient als de standaard werkwijze (SOP) voor de voorgestelde methodologie. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-2
Figuur 2: Longitudinale verhoudingen van goed-naleving verhoudingen. De figuur toont de verhoudingen volledige zaak van goede naleving voor dag 1–30 bij de dag 30 beoordeling (84,3%), dag 31–90 bij de dag 90 beoordeling (77,0%) en dagen 91–180 bij de dag 180 beoordeling (72,8%). Foutbalken zijn tweezijdige 95% Clopper-Pearson exacte betrouwbaarheidsintervallen. Adherence werd als goed geclassificeerd wanneer het op blootstelling gewogen samengestelde zelfgerapporteerde nalevingspercentage minstens 80% was. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-3
Figuur 3: Individuele overgangen tussen adherentie en toestand. Het alluviale diagram toont de goede of slechte classificatie van elke volledige case-deelnemer op dag 30, dag 90 en dag 180. Lintbreedtes geven het aantal deelnemers aan. De term overgang tussen naleving en toestand is beschrijvend en wordt niet gepresenteerd als een eerder gevalideerd construct. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 4: Familie APGAR- en BMQ-NCD-verdelingen over de tijd. Vakken die (A) familie APGAR en (B) BMQ-NCD-verdelingen vertegenwoordigen, geven het interkwartielbereik aan, middenlijnen de mediaan, snorhaarwaarden binnen 1,5 keer het interkwartielbereik, en punten voorbij de individuele waarnemingen van de snorharen. Algemene vergelijkingen maken gebruik van Friedman-tests; gekoppelde vergelijkingen gebruiken Wilcoxon teken-rank tests met Bonferroni-correctie. BMQ-NCD is het totaal van de Noodzaak minus het totaal van Zorgen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 5: Gecorrigeerde associaties in het day-30 voorspellingsmodel. Punten zijn aangepaste OR's en horizontale balken zijn 95% BI voor stedelijke versus landelijke woningen, mannelijk versus vrouwelijk geslacht, en een stijging van één punt in basisdag 30 BMQ-NCD en gezins-APGAR. De horizontale as is logaritmisch, en de verticale referentielijn geeft OR = 1 aan. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 6: Nomogram voor intern geschatte kans op goede naleving op dag 180. Het nomogram gebruikt: woonplaats, geslacht, dag 30 BMQ-NCD en dag 30 Familie APGAR-score. Voorspellerwaarden worden afgebeeld naar punten; Totale punten worden overeengebracht met geschatte waarschijnlijkheid. Een hogere BMQ-NCD geeft aan dat de waargenomen noodzaak zwaarder weegt dan zorgen, en een hogere Family APGAR wijst op een beter waargenomen gezinsfunctioneren. Het nomogram vereist externe validatie vóór klinisch gebruik. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-7
Figuur 7: Interne validatie van het day-30 voorspellingsmodel. (A) De ROC-curve toont een schijnbare AUC van 0,879 (bootstrap 95% BI, 0,821-0,928) en een optimisme-gecorrigeerde AUC van 0,867. (B) Het kalibratiepaneel vergelijkt voorspelde en waargenomen waarschijnlijkheden. De ideale lijn duidt perfecte kalibratie aan, de schijnbare curve beschrijft de aangepaste steekproef, en de bias-gecorrigeerde curve weerspiegelt 1.000-resample bootstrap optimismecorrectie. Gearceerde of grenslijnen, indien weergegeven, vertegenwoordigen 95% betrouwbaarheidslimieten; Rugmarks tonen de verdeling van voorspelde kansen. Klik hier om een grotere versie van deze figuur te bekijken.

KenmerkTotaal (N = 191)Slechte naleving (N = 52)Goede naleving (N = 139)P-waarde
Leeftijd, jaren59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Leeftijdsgroep, n (%)0.822
<65 jaar120 (62.8%)32 (61.5%)88 (63.3%)
>=65 jaar71 (37.2%)20 (38.5%)51 (36.7%)
Geslacht, n (%)0.015
Vrouwelijk41 (21.5%)5 (9.6%)36 (25.9%)
Mannelijk150 (78.5%)47 (90.4%)103 (74.1%)
Woonplaats, n (%)<0,001
Landelijk92 (48.2%)36 (69.2%)56 (40.3%)
Stedelijk99 (51.8%)16 (30.8%)83 (59.7%)
Onderwijs, n (%)0.224
Basisschool of lager59 (30.9%)21 (40.4%)38 (27.3%)
Middelbare school50 (26.2%)13 (25.0%)37 (26.6%)
Middelbare school/technische36 (18.8%)10 (19.2%)26 (18.7%)
Hoger diploma of hoger46 (24.1%)8 (15.4%)38 (27.3%)
Burgerlijke staat, n (%)0.905
Getrouwd175 (91.6%)47 (90.4%)128 (92.1%)
Ongehuwd9 (4.7%)3 (5.8%)6 (4.3%)
Gescheiden/weduwnaar7 (3.7%)2 (3.8%)5 (3.6%)
Beroep, n (%)0.138
Werknemer/professioneel36 (18.8%)9 (17.3%)27 (19.4%)
Werker25 (13.1%)7 (13.5%)18 (12.9%)
Boer39 (20.4%)16 (30.8%)23 (16.5%)
Met pensioen45 (23.6%)7 (13.5%)38 (27.3%)
Zelfstandig/anders46 (24.1%)13 (25.0%)33 (23.7%)
Maandinkomen, CNY, n (%)0.208
<300039 (20.4%)14 (26.9%)25 (18.0%)
3000-499956 (29.3%)17 (32.7%)39 (28.1%)
>=500096 (50.3%)21 (40.4%)75 (54.0%)
NIHSS-score bij ontslag2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Duur van het ziekenhuisverblijf, dagen8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tabel 1: Kenmerken van de studiepopulatie voor methodologische validatie (N = 191). Deze tabel vat de demografische en klinische profielen van de deelnemers samen, gestratificeerd op basis van hun zelfgerapporteerde medicatie-naleving van 180 dagen (Goed versus Slecht). Categorische variabelen worden gepresenteerd als frequenties (n) en percentages (%). P-waarden worden gegeven voor beschrijvende vergelijkingen tussen groepen en werden niet gebruikt voor de selectie van voorspellers. Klik hier om deze tabel te downloaden.

MetingDag 30, gemiddelde +/- SDDag 90, gemiddelde +/- SDDag 180, gemiddelde +/- SDVerandering (dag 180 - dag 30), gemiddelde +/- SDFriedman chi-kwadraat (df = 2)Globale P-waarde
BMQ-NCD totaalscore13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0,001
Familie APGAR-score8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0,001

Tabel 2: Longitudinale BMQ-NCD en familie APGAR-scores. Deze tabel geeft elke schaal op dag 30, dag 90 en dag 180 weer als gemiddelde (SD) en mediaan (IQR). De totale P-waarden zijn afkomstig van Friedman-tests; gepaarde post-hoc P-waarden zijn afkomstig van Wilcoxon teken-rank tests met Bonferroni-correctie. BMQ-NCD is het BMQ-specifieke noodzaaktotaal minus het Concern-totaal (bereik, -20 tot 20).

Voorspellerβ coëfficiëntStandaardfoutWald zP-waardeGecorrigeerde OR (95% BI)Codering / eenheid
Intercept-10.38112.0697-5.016<0,001—Modelinterceptie
Stedelijke residentie1.29210.43962.940.00333.64 (1.54–8.62)Stedelijk versus landelijk (referentie)
Mannelijk geslacht-1.52150.6395-2.3790.01740.22 (0.06–0.76)Man vs vrouw (referentie)
Baseline BMQ-NCD0.52110.09955.238<0,0011.68 (1.39–2.05)Per verhoging van 1 punt
Basisfamilie APGAR0.68870.18473.728<0,0011.99 (1.39–2.86)Per verhoging van 1 punt

Tabel 3: Volledige specificatie van multivariabele logistische regressie voor goede naleving op dag 180 (N = 191). De tabel toont de intercept- en regressiecoëfficiënten, standaardfouten, Wald-statistieken, P-waarden, aangepaste OR's en 95% betrouwbaarheidsintervallen voor het uiteindelijke multivariabele logistische regressiemodel. Goede naleving wordt gecodeerd als 1, en slechte naleving als 0. Woonplaats is Stedelijk = 1 versus Landelijk = 0; geslacht is Man = 1 versus Vrouwelijk = 0; dag 30 BMQ-NCD en dag 30 Family APGAR worden gemodelleerd voor één punt verhoging.

Aanvullende Figuur 1: Deelnemersstroom en cohortselectie voor de longitudinale medicatie-therapie-therapiestudie.Klik hier om dit bestand te downloaden.

Aanvullend Bestand 1: De volledige analytische dataset. Klik hier om dit bestand te downloaden.

Discussie

Deze studie beschrijft een gestandaardiseerd longitudinaal telefoonprotocol en ontwikkelt intern een voorspellingsmodel van dag 30 voor zelfgerapporteerde medicatietherapietrouw op dag 180 na ischemische beroerte. Drie bevindingen zijn centraal. Ten eerste daalde het aandeel dat als goed geclassificeerd werd geclassificeerd van 84,3% op dag 30 naar 77,0% op dag 90 en 72,8% op dag 180. Ten tweede daalden ook de BMQ-NCD en Family APGAR-scores in de geplande beoordelingen. Ten derde waren stedelijke woonplaatsen, geslacht, dag 30 BMQ-NCD en dag 30 gezins-APGAR geassocieerd met dag-180 naleving in het vooraf gespecificeerde dag-30 voorspellingsmodel. Deze bevindingen ondersteunen herhaalde beoordeling na ontslag, terwijl ze beschrijvend en intern voorspellend blijven in plaats van causaal.

De vermindering van de prevalentie van goede therapietrouw is consistent met eerder beroerteonderzoek waaruit bleek dat persistentie met secundaire preventiemedicatie kan afnemen na ontslag 17,18,19,20. De meeste deelnemers bleven in de categorie goede therapie, terwijl de grootste veranderende groep van goede naar slechte therapietrouw ging. Dit patroon suggereert dat een bevredigend vroeg interview niet moet worden gezien als bewijs van aanhoudend medicatiegebruik. Klinisch gezien kan een herbeoordeling op dag 90 patiënten identificeren wiens gedrag na de directe herstelperiode is veranderd, en het interview op dag 180 biedt een latere gelegenheid om de complexiteit van het regime, bijwerkingen, toegangsbarrières en betrokkenheid van de zorgverlener te bespreken.

Een belangrijke methodologische bijdrage is de scheiding van de drie niet-overlappende herinneringsvensters: dagen 1–30, dagen 31–90 en dagen 91–180. Deze aanpak voorkomt herhaaldelijk dat deelnemers de volledige post-ontladingsperiode moeten reconstrueren en koppelt elke schatting aan een gedefinieerd interval. De blootstellingsdag-gewogen composiet bevat ook medicatieklassen met verschillende voorgeschreven duur. Desalniettemin blijft het een zelfgerapporteerd aandeel van de klas-adherent dagen, niet van de apotheek-afgeleide PDC. Geheugenfout en sociaal-wenselijkheidsbias kunnen daarom inname overschatten. De waargenomen percentages moeten worden geïnterpreteerd als gestructureerde interviewschattingen in plaats van als objectieve bevestiging dat medicatie is verstrekt of ingenomen.

De longitudinale BMQ-NCD-bevindingen bieden een mogelijke psychosociale context voor het therapiepatroon. BMQ-NCD is de Noodzaak-score minus de Zorgen-score en vertegenwoordigt daarom de relatieve balans tussen waargenomen behoefte en bezorgdheid, in plaats van een globaal BMQ-totaalvan 25,26,34. Een lagere waarde kan zwakkere noodgevatte overtuigingen, sterkere zorgen of beide weerspiegelen. Herhaalde toediening kan clinici helpen te identificeren welk onderdeel is veranderd en de counseling daarop af te stemmen, maar de huidige analyses kunnen niet bepalen of veranderingen in overtuigingen voorafgingen aan veranderingen in therapie. Antwoorden op de vragenlijst kunnen ook worden beïnvloed door de gezondheidstoestand en de ervaring met de behandeling. Itemniveau-records en het exacte Chinese instrument moeten worden gecontroleerd voordat mechanistische conclusies worden getrokken.

Family APGAR meet op vergelijkbare wijze het waargenomen functioneren van het gezin in plaats van de hoeveelheid objectief waargenomen zorgverlening:27,28. Tijdens het herstel van een beroerte kunnen veranderingen in handicap, dagelijkse activiteiten, psychische stress, zorglast, huishoudelijke rollen en cultureel gevormde verwachtingen de manier waarop ondersteuning wordt ervaren veranderen. De daling van Family APGAR moet daarom worden beschreven als een associatie binnen deze cohort, niet als bewijs dat familie-ondersteuning onvermijdelijk verslechtert of leidt tot niet-therapie. Het resultaat ondersteunt echter de betrokkenheid van mantelzorgers bij follow-up en herhaalde beoordeling van praktische ondersteunings- en behandelrollen.

Het herziene voorspellingsmodel is bedoeld voor gebruik na de follow-up op dag 30, omdat er bij die beoordeling twee psychosociale voorspellers zijn verzameld. Poliklinische bezoeken na ontslag na dag 30 werden uitgesloten om temporele ambiguïteit te verminderen. Hogere BMQ-NCD- en Family APGAR-scores op dag 30 waren geassocieerd met een grotere kans op goede therapietrouw op dag 180, wat de potentiële waarde van vroege psychosociale herbeoordeling ondersteunt. Poliklinische bezoeken na ontslag werden uitgesloten omdat ze gelijktijdig met het uitkomstvenster liggen en temporele ambiguïteit kunnen veroorzaken. Stedelijk verblijf kan toegang, medicatiebeschikbaarheid of continuïteit van zorg vertegenwoordigen, maar deze mechanismen werden niet gemeten en verblijf mag niet causaal worden geïnterpreteerd. Hogere basisniveau BMQ-NCD en Family APGAR-scores waren geassocieerd met een grotere kans op goede therapie, wat de potentiële waarde van psychosociale beoordeling bij ontslag ondersteunt. Mannelijk geslacht was geassocieerd met lagere kansen, maar deze coëfficiënt is statistisch fragiel omdat slechts vijf vrouwen in de groep met slechte naleving zaten. Residuele verwarring, spaarzame data-effecten en centraal-specifieke zorgpatronen blijven aannemelijk.

De schijnbare AUC van 0,879 en de door optimisme gecorrigeerde AUC van 0,867 duiden op goede discriminatie binnen de 191 volledige gevallen. De schijnbare Brier-score van 0,118 en de door optimisme gecorrigeerde kalibratielijn van 0,923 bieden aanvullende informatie over voorspellingsfouten en kalibratie. Bootstrap-correctie vermindert het optimisme wanneer modelprestaties worden geëvalueerd op het ontwikkelingsmonster, maar het bewijst geen transportabiliteit. Deze schattingen tonen geen superioriteit aan ten opzichte van andere modellen, geen paraatheid voor resourceallocatie, noch een gevalideerde waarschijnlijkheidsdrempel voor klinische beslissingen. Het nomogram is een representatie van de aangepaste vergelijking. Onafhankelijke temporele of multicentervalidatie, met indien nodig herkalibratie, is vereist voordat deze wordt gebruikt om de patiëntenzorg te sturen.

Recente computationele studies voegen methoden toe die ontbraken in de oorspronkelijke review: onevenwichtsbewuste featureselectie in hoogdimensionale kankerdata41, mHealth-ondersteuning voor mensen met dementie en mantelzorgers42, feature-selectiestrategieën voor grote medische databases43, ADASYN-ondersteund deep learning voor beroertevoorspelling44, en bredere machine learning gezondheidsmonitoringskaders45. Dit zijn nuttige vergelijkers, maar hun diagnostische, hoogdimensionale of sensorgerichte doelen verschillen van ons 191-deelnemers vier-voorspeller-adherentiemodel. Toekomstige externe datasets moeten vooraf gespecificeerde logistische regressie vergelijken met gestrafte en machine learning-benaderingen bij het rapporteren van kalibratie en klinische bruikbaarheid.

Verschillende beperkingen bepalen de reikwijdte van de bevindingen. De enkel-center convenience steekproef limieten generaliseerbaarheid, en de volledige case-analyse sloot 19 van de 210 ingeschreven deelnemers uit die de follow-up niet voltooiden; Hoewel hun flow was gedocumenteerd, bleef uitvalsbias mogelijk en werden er geen uitkomstwaarden berekend. Drie beoordelingspunten kunnen kortetermijnfluctuaties niet vastleggen, en de 180-dagen horizon karakteriseert geen langetermijnpersistentie of terugkerende vasculaire uitkomsten. Zelfrapportage werd niet geverifieerd op aflevergegevens, pillentellingen of elektronische monitoring. De steekproef beperkt ook gedetailleerde subgroepanalyse en kan onstabiele coëfficiënten opleveren voor schaars categorieën. Sterke punten zijn onder andere niet-overlappende intervallen, expliciete multi-medicatieregels, het gebruik van vooraf gedefinieerde demografische en day-30 psychosociale voorspellers, en interne validatie via bootstrap. Toekomstige studies moeten interviews koppelen aan hervul- of elektronische metingen, het type respondent documenteren, de follow-up verlengen tot 12 maanden en het model evalueren in onafhankelijke cohorten.

Conclusie

Samenvattend definieert dit protocol drie beoordelingen na ontslag van zelfgerapporteerde medicatiegebruik en een interpreteerbaar dag-180-model beperkt tot vier vooraf gedefinieerde klinische en psychosociale voorspellers. Het model toonde veelbelovende interne prestaties in de complete casuscohort, maar vereist onafhankelijke externe validatie voordat klinische implementatie kan worden uitgevoerd.

Openbaarmakingen

Alle auteurs hebben geen belangenconflicten bekendgemaakt.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
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/)

Referenties

  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.

Herprints en machtigingen

Trefwoorden

Secundaire preventiezelfgerapporteerde therapietrouwlogistisch modelFamily APGARBMQ specifiekstedelijke woonplaats
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.