Artigo de método

Monitoramento longitudinal e modelagem preditiva da adesão à medicação em pacientes com AVC isquêmico

52 vistas

⸱

DOI:

10.3791/71636

⸱

11 de agosto de 2026

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

Neste artigo

Resumo

Esse protocolo descreve a avaliação estruturada por telefone do auto-relato de medicação aos 30, 90 e 180 dias após a alta, e o desenvolvimento interno de um modelo precoce de predição de acompanhamento para sobreviventes de AVC isquêmico. O protocolo separa a ingestão auto-relatada da PDC baseada em farmácia e utiliza preditores demográficos pré-definidos e preditores psicossociais do dia 30.

Resumo

A adesão à medicação é central para a prevenção secundária após AVC isquêmico, mas a adesão auto-relatada pode mudar durante o acompanhamento. Nesse quadro longitudinal de centro único, 210 participantes foram inscritos e 191 completaram a avaliação de 180 dias. O uso de medicação foi avaliado por meio de entrevista telefônica estruturada nos dias 1–30, 31–90 e 91–180, e foi classificado como bom quando a porcentagem composta ponderada por dia de exposição foi de pelo menos 80%. Os APGAR Específicos e Familiares Chineses foram aplicados no dia 30, dia 90 e dia 180. Um modelo logístico de quatro preditores utilizou residência, sexo, BMQ-NCD do dia 30 e APGAR familiar do dia 30, e foi validado internamente com 1.000 reamostras bootstrap. Entre 191 casos completos, a boa adesão foi de 84,3% (IC 95%, 78,3%–89,1%) no dia 30, 77,0% (IC 95%, 70,3%–82,7%) no dia 90 e 72,8% (IC 95%, 65,9%–79,0%) no dia 180. Residência urbana, sexo masculino, QBM-DNC no dia 30 e escore APGAR familiar no dia 30 estiveram associados à adesão ao dia 180. O AUC aparente foi de 0,879 (IC 95%, 0,821–0,928), e o AUC corrigido pelo otimismo foi de 0,867. O protocolo fornece uma estrutura reprodutível para avaliação longitudinal da adesão autorrelatada e um modelo de predição do dia 30 validado internamente. Validação externa e medidas de adesão objetiva são necessárias antes da implementação clínica.

Introdução

O AVC continua sendo uma das principais causas de incapacidade e mortalidade de longo prazo em todo o mundo, exigindo uma definição clínica refinada que considere tanto evidências patológicas quanto de imagem1. Apesar dos avanços nas intervenções agudas, a carga global do AVC continua a aumentar, com o AVC isquêmico representando a grande maioria doscasos 2. Essa tendência é particularmente pronunciada na China, onde a prevalência de fatores de risco vascular atingiu níveis críticos, colocando uma enorme pressão sobre o sistemade saúde 3. Evidências sugerem que sobreviventes de um primeiro AVC enfrentam alto risco de eventos vasculares recorrentes, com estudos comunitários destacando a vulnerabilidade persistente dessapopulação 4. Embora o manejo da fase aguda apresente desafiossignificativos 5, a sobrevivência a longo prazo e a expectativa de vida desses pacientes são predominantemente ditadas pela eficácia das estratégias secundárias de prevenção 6,7.

A base da prevenção secundária envolve o manejo farmacológico rigoroso, incluindo redução da pressão arterial e terapiaantiplaquetária 8,9,10. Diretrizes internacionais da American Heart Association (AHA), da Organização Europeia de AVC (ESO) e das Recomendações Canadenses de Melhores Práticas para AVC enfatizam que a adesão a esses regimes é essencial para prevenir arecidiva 11,12,13,14. No entanto, a utilidade clínica dessas intervenções é frequentemente prejudicada pela má adesão àmedicação 15,16. A adesão à medicação é uma construção multidimensional que inclui tanto a iniciação quanto apersistência 15,17. Dados recentes do registro indicam que maior adesão a medicamentos de prevenção secundária melhora significativamente a sobrevivência e reduz as taxas derecorrência 17,18. Por exemplo, a adesão às estatinas tem sido associada independentemente à redução do riscorecorrente 19.

Apesar desses benefícios, estudos longitudinais observam uma significativa "decadência temporal" nas taxas de adesão durante o primeiro ano após aalta 20. Embora fatores demográficos como diferenças sexuais e status socioeconômico influenciem apersistência 21,22, há um reconhecimento crescente do papel dos fatores psicossociais e cognitivos na formação do comportamento dopaciente 23,24. O Questionário de Crenças sobre Medicamentos (QBM) surgiu como uma ferramenta validada para avaliar a representação cognitiva da medicação por meio do quadro "Necessidade-Preocupações" 25. Análises sistemáticas demonstraram que as pontuações do QM são preditoras robustos da adesão em várias condições crônicas naChina 26. Da mesma forma, o ambiente social, especialmente o funcionamento familiar, desempenha um papel fundamental. O Índice APGAR Familiar fornece uma medida confiável do suporte percebido, o que é fundamental para pacientes que navegam pelas complexidades da vida pós-AVC27,28.

Embora o NIHSS e a Escala de Rankin modificada descrevam gravidade neurológica e desfechofuncional 29,30, eles não medem diretamente crenças sobre medicação ou o funcionamento familiarpercebido 31. Serviços de saúde móvel e baseados no WeChat foram estudados, já que a adesãoapoia 32,33. O protocolo atual, portanto, tem dois objetivos: definir a avaliação da medicação no dia 30, dia 90 e dia 180 usando terminologia consistente, e desenvolver um modelo interpretável de adesão ao dia 180 usando variáveis demográficas e psicossociais pré-definidas coletadas durante o estudo.

Protocolo

O protocolo foi aprovado pelo Comitê de Ética em Pesquisa Biomédica do Hospital da China Ocidental da Universidade de Sichuan (Aprovação nº 2021 Revisão (1303); data de aprovação, 8 de novembro de 2021). Todos os procedimentos relatados foram conduzidos de acordo com os requisitos do comitê e o protocolo aprovado. O conjunto de dados analítico completo é fornecido no Arquivo Suplementar 1.

1. Triagem do paciente e inscrição no início do ano

  1. Identifique participantes potenciais a partir dos prontuários de internação do Departamento de Neurologia. Selecione pacientes diagnosticados com AVC isquêmico agudo por meio de ressonância magnética (RM) ou tomografia computadorizada (TC). Registre o número total de indivíduos inicialmente selecionados para estabelecer o conjunto de referência para o diagrama de fluxo dos participantes.
  2. Faça triagem dos pacientes de acordo com os critérios de inclusão pré-especificados. Inclua adultos com AVC isquêmico agudo confirmado por imagem que possam realizar a entrevista por conta própria ou por meio de um representante legalmente autorizado.
  3. Aplique critérios de exclusão. Exclua pacientes com histórico de doença mental grave, comprometimento cognitivo (determinado por registros clínicos) ou expectativa de vida inferior a seis meses. Documente os motivos exatos e os números correspondentes para quaisquer exclusões nesta fase (por exemplo, limitações da expectativa de vida ou recusa em fornecer consentimento).
  4. Antes da inscrição, obtenha consentimento informado por escrito do paciente ou, quando ele não puder fornecer consentimento, de um representante legalmente autorizado, usando o formulário de consentimento informado aprovado pelo comitê. Explique o desenho longitudinal do estudo, as avaliações por telefone e o cronograma de acompanhamento de 180 dias antes da assinatura. Registre a identidade e o papel da pessoa consentidora, a data de consentimento e o membro da equipe do estudo que obteve consentimento.
  5. Colete dados demográficos e clínicos de base em até 48 horas após a admissão. Registre idade, sexo, residência, nível educacional e renda mensal usando um formulário padronizado de relatório de caso.
  6. Na alta, um clínico treinado em AVC administre o NIHSS chinês validado usando seus 11 itens padrão pontuados e faixa total de 0–42222. Registre a pontuação total, o papel do avaliador, o status de treinamento, a data da avaliação e a duração da internação hospitalar.
  7. Administrar o BMQ-Específico Chinês autorizado por meio de uma entrevista estruturada presencial antes da alta e por telefone no dia 30, dia 90 e dia 18025,34.
    NOTA: O instrumento contém cinco itens de Necessidade e cinco itens de Preocupação. Pontuar cada item de 1 (discordar fortemente) a 5 (concordo fortemente) e somar os cinco itens de cada subescala; Os totais de Necessidade e Preocupações, portanto, variam de 5 a 25.
  8. Calcule a diferença necessidade-preocupações (BMQ-NCD) como Necessidade menos Preocupações (intervalo, -20 a 20). Maior necessidade e valores mais altos de BMQ-NCD indicam uma percepção mais forte em relação às preocupações, enquanto um valor de Preocupação maior indica maior apreensão.
    NOTA: Exigir todas as cinco respostas para cada subescala; caso contrário, comodifique essa subescala e o BMQ-NCD como ausentes. Use o BMQ-NCD do dia 30 como preditor contínuo do modelo. Ao mesmo tempo, administrar o APGAR27 da Família Chinesa.
  9. Pontuar Adaptação, Parceria, Crescimento, Afeto e Determinação como 0 (quase nunca), 1 (às vezes) ou 2 (quase sempre), e somar os cinco itens para um total inteiro de 0 a 10; Pontuações mais altas indicam melhor percepção do funcionamento familiar. Se algum item do APGAR da Família estiver faltando, codifique o total como faltando. Registre as versões dos instrumentos, autorização, administrador, respondente, data, respostas aos itens, totais subescalais e escores totais no formulário de relato de caso.

2. Preparação para alta e educação do paciente

  1. Realize uma sessão padronizada de aconselhamento sobre medicação antes da alta. Forneça uma lista escrita de medicamentos secundários de prevenção prescritos, incluindo antiplaquetais, estatinas e antihipertensivos.
  2. Instrua o paciente e seu cuidador principal sobre a importância da adesão à medicação. Demonstre como registrar a ingestão de medicamentos se o paciente pretende usar um comprimido ou diário.
  3. Verifique o número de telefone principal do paciente. Estabeleça uma janela de tempo preferida para futuras ligações de acompanhamento para minimizar a rotatividade e garantir uma alta taxa de resposta.

3. Acompanhamento longitudinal pós-alta (Dia 30, Dia 90 e Dia 180)

  1. Realize a primeira entrevista estruturada por telefone no dia 30 após a alta (janela alvo, mais ou menos 3 dias). Para cada classe de medicamentos de prevenção secundária prescrita nos dias 1 a 30, registre o nome da turma, a frequência diária de dose prescrita, o número de dias expostos e o número auto-relatado de dias de aderência à classe durante os dias 1 a 30.
    1. Registre o respondente (paciente ou cuidador principal responsável pela medicação), data de contato, mudanças no rotina, interrupções temporárias direcionadas pelo médico e motivos para a não conclusão. Na mesma entrevista, administrar o BMQ-Específico e o APGAR Familiar e registrar as pontuações do dia 30
  2. Realize a segunda entrevista no dia 90 (janela alvo, mais ou menos 7 dias). Repita as perguntas específicas de medicação da classe para os dias não sobrepostos do intervalo 31–90 e administre o BMQ e o APGAR Familiar. Não peça ao participante para reconstruir os dias 1 a 30 novamente; manter o recorde do dia 30 como fonte para esse intervalo.
  3. Realize a entrevista final no dia 180 (janela alvo, mais ou menos 7 dias). Repita as perguntas específicas de medicação da classe para o intervalo de dias não sobrepostos de 91 a 180 graus, administre o QM e o APGAR familiar, e registre os 180 mRS diários quando disponíveis.
  4. Use o mesmo formulário estruturado de entrevista e a mesma regra do respondente em todos os três acompanhamentos. Quando um paciente não consegue responder devido a deficiência cognitiva, linguística ou física, utilize o cuidador que gerencia o regime de medicação e registre essa substituição. Não afirme que a verificação de contagem de comprimidos, diário, farmácia ou entrevistador não está registrada nos registros de origem.
  5. Registre consultas ambulatoriais apenas para acompanhamento descritivo. Não inclua nenhuma variável de utilização pós-alta em um modelo de predição destinado a ser usado após a avaliação do dia 30.
  6. Defina a linha de base como a avaliação de internação/alta e avaliações de adesão por horário do calendário (dia 30, dia 90 e dia 180), em vez de T1, T2 e T3. Isso evita o conflito anterior em que o T1 se referia tanto ao ponto de base quanto ao dia 30.

4. Quantificação da adesão auto-relatada à medicação

  1. Não use o termo PDC a menos que a adesão seja derivada de registros de dispensação ou reabastecimento. Trate a terapia antitrombótica (antiplaquetária ou anticoagulante oral, conforme indicado), terapia para redução de lipídios, terapia anti-hipertensiva e terapia para redução da glicose como aulas separadas de prevenção secundária apenas quando prescritas ao participante.
    1. Para cada classe prescrita, defina um dia de aderência à classe como o dia em que todas as doses programadas daquela classe teriam sido tomadas; A omissão de qualquer dose programada torna esse dia de aula não aderente. Descontinuações, substituições e retenções temporárias orientadas pelo médico não são contabilizadas como exposição esperada dias após a data de vigência documentada.
    2. Calcule a porcentagem composta de adesão auto-relatada por intervalos como 100 multiplicada pela soma dos dias de aderência à classe entre as turmas prescritas dividida pela soma dos dias esperados de exposição à classe nessas classes. Esse cálculo ponderado por dias de exposição acomoda diferentes durações de prescrição e é equivalente à média das proporções específicas de classe apenas quando cada classe é prescrita para o mesmo número de dias. Use os dias 1–30 para o valor do dia 30, os dias 31–90 para o valor do dia 90, e os dias 91–180 para o valor do dia 180.
  2. Em cada acompanhamento, classifique boa adesão como uma proporção auto-relatada de dias de aderência de pelo menos 80% e baixa adesão como inferior a 80%. Considerar a falta de avaliações de adesão como falta; Não os classifique na categoria de baixa adesão.

5. Integração de dados, análise longitudinal e modelagem preditiva

  1. Realize a análise reproduzível usando a linguagem de programação Python (versão 3.13.5) com bibliotecas para manipulação de dados, computação numérica, análise estatística e visualização em um sistema operacional Windows de 64 bits. Defina a semente aleatória para 71636, e code valores ausentes como NA. Se a equipe final usar R, substitua essa seção pela versão exata executada do R, versões dos pacotes, funções e script; Não reporte um fluxo de trabalho de software não executado.
  2. Resuma as proporções de boa adesão no dia 30, dia 90 e dia 180 com intervalos de confiança exatos de Clopper-Pearson de 95% em dois lados. Testar a mudança geral pareada na adesão binária com o teste Q de Cochran, seguido pelos testes de McNemar pareados exatos com correção de Bonferroni.
  3. Analise BMQ-NCD e APGAR familiar durante o dia 30, dia 90 e dia 180 entre casos completos usando o teste de Friedman. Quando o teste omnibus for significativo, realize comparações de rank sinalizado de Wilcoxon pareadas com correção de Bonferroni. Relate medianas e intervalos interquartais, além de médias e desvios padrão. Calcular totais individuais de escala a partir das respostas em nível de item antes da análise; Não analise valores interpolados ou suavizados manualmente de questionários.
  4. Defina o resultado do dia 180 como boa adesão = 1 e baixa adesão = 0. Reajuste uma regressão logística multivariável do dia 30 usando quatro preditores pré-especificados: residência (Urbano = 1; Rural = 0), sexo (Masculino = 1; Feminino = 0), BMQ-NCD do dia 30 (contínuo) e escore APGAR familiar do dia 30 (contínuo). Não utilize consultas ambulatoriais de acompanhamento. Evite descrever triagem univariada ou seleção retroativa, a menos que esse procedimento tenha sido realmente executado e documentado em código.
  5. Especifique a equação completa ajustada: logit[P(boa adesão no dia 180)] = -10,3811 + 1,2921 (Urbano) - 1,5215 (Masculino) + 0,5211 (BMQ-NCD) + 0,6887 (APGAR Familiar). Gerar o nomograma diretamente a partir desses coeficientes não arredondados e usar rótulos voltados para o leitor, categorias de referência, intervalos de pontuação e direcionalidade.
  6. Avalie a discriminação com o ROC AUC e um intervalo de confiança percentil-bootstrap de 95%. Avalie o erro geral de previsão com a pontuação Brier e a calibração com um gráfico de calibração e inclinação de calibração. Relate o desempenho aparente separadamente do desempenho corrigido pelo otimismo.
  7. Realize 1.000 reamostras bootstrap bem-sucedidas. Em cada reamostragem, reajuste o modelo completo de quatro preditores e estime o otimismo comparando o desempenho na amostra bootstrap com o desempenho na amostra original. Subtraia otimismo médio do desempenho aparente.

6. Confidencialidade do paciente e segurança dos dados

  1. Certifique-se de que todas as informações identificáveis pelo paciente sejam removidas antes da análise. Armazene o arquivo mestre de ligação em um sistema institucional criptografado e protegido por senha, acessível apenas a profissionais autorizados do estudo.
  2. Atribua um ID alfanumérico único a cada participante na matrícula. Use este ID para todos os formulários de acompanhamento e registros digitais subsequentes.

Resultados

Implementação do protocolo padronizado e estratificação de coortes

O registro de fluxo de participantes relata que 216 indivíduos foram avaliados, 6 excluídos e 210 foram inscritos. Dezessete foram perdidos antes da avaliação do dia 90, e dois participantes adicionais foram perdidos antes do dia 180, restando 191 casos completos para as análises longitudinais e modeladoras (Figura Suplementar 1). Os 19 não completados foram documentados no registro de triagem e acompanhamento para o relatório de fluxo de participantes, mas não foram incluídos no conjunto de dados analítico, e nenhum valor de desfecho foi imputado. O arquivo de análise, portanto, contém a coorte pré-especificada de casos completos de 191 participantes.

No dia 180, 139 dos 191 participantes foram classificados como tendo boa adesão e 52 como tendo baixa adesão (Tabela 1). Residência urbana e sexo diferiram entre os grupos de adesão em comparações univariadas, enquanto outras variáveis de base devem ser reportadas com suas estimativas exatas de efeito e valores P, em vez de serem descritas coletivamente como equilibradas. A célula feminina de baixa adesão continha cinco participantes, portanto estimativas relacionadas ao sexo exigem interpretação cautelosa.

Caracterização quantitativa da adesão e transições

Entre os 191 casos completos, a boa adesão foi de 84,3% (161/191; IC exato de 95%, 78,3%–89,1%) nos dias 1–30, 77,0% (147/191; 70,3%–82,7%) nos dias 31–90 e 72,8% (139/191; 65,9%–79,0%) nos dias 91–180 (Figura 2). A diferença geral de pares foi significativa (Cochran Q = 31,0, df = 2, P < 0,001). Os padrões observados dia-30/dia-90/dia-180 foram bom/bom/bom (n = 138), bom/bom/pobre (n = 8), bom/ruim/ruim (n = 15), ruim/bom/bom (n = 1) e pobre/ruim/pobre (n = 29) (Figura 3). Referimo-nos a esses como transições de aderência-estado, sem implicar que um novo construto comportamental validado tenha sido estabelecido.

Sensibilidade e resposta longitudinal das métricas psicossociais

Entre os casos completos, os valores médios de BMQ-NCD foram 13,06 (DS 2,60) no dia 30, 12,06 (3,03) no dia 90 e 10,88 (3,84) no dia 180; Os valores médios do APGAR familiar foram 8,20 (1,28), 7,79 (1,45) e 7,23 (1,84), respectivamente. Tanto os testes omnibus de Friedman quanto os testes Wilcoxon pares ajustados por Bonferroni mostraram P < 0,001 (Tabela 2; Figura 4). Os totais individuais dos questionários devem ser regenerados diretamente a partir dos formulários de relato de caso em nível de item antes que a análise final seja bloqueada.

Ponderação de parâmetros e síntese da ferramenta preditiva

O modelo de predição do dia 30 manteve quatro preditores pré-especificados (Tabela 3): residência urbana (OR ajustado, 3,64; IC 95%, 1,54–8,62; P = 0,0033), sexo masculino (OR ajustado, 0,22; IC 95%, 0,06–0,76; P = 0,0174), dia 30 BMQ-NCD por ponto (OR ajustado, 1,68; IC 95%, 1,39–2,05; P < 0,001), e o dia 30 da pontuação APGAR familiar por ponto (OR ajustado, 1,99; IC 95%, 1,39–2,86; P < 0,001). A interceptação instalada foi -10.3811. A Figura 5 mostra a mesma escala de codificação e de um ponto usada na Tabela 3, e a Figura 6 mapeia os coeficientes não arredondados para o nomograma.

Validação metodológica: Precisão e calibração

O AUC aparente do modelo foi 0,879 (IC bootstrap 95%, 0,821–0,928), e o AUC corrigido pelo otimismo após 1.000 reamostras bem-sucedidas do bootstrap foi 0,867 (Figura 7). A pontuação aparente do Brier foi 0,118, e a inclinação de calibração corrigida pelo otimismo foi 0,923. Esses valores descrevem o desempenho interno nos 191 casos completos e não constituem validação externa.

figure-results-1
Figura 1: Roteiro operacional padronizado para monitoramento da adesão pós-AVC. Este fluxograma ilustra o protocolo de quatro fases implementado no estudo: Fase 1 (Inscrição e linha inicial), Fase 2 (alta em cuidados agudos), Fase 3 (Monitoramento longitudinal sistemático) e Fase 4 (Avaliação e análise de risco). Este roteiro serve como o Procedimento Operacional Padrão (SOP) para a metodologia proposta. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-2
Figura 2: Proporções longitudinais de boa aderência. A figura mostra proporções de adesão ao caso completo para os dias 1–30 na avaliação do dia 30 (84,3%), dias 31–90 na avaliação do dia 90 (77,0%) e dias 91–180 na avaliação do dia 180 (72,8%). As barras de erro são intervalos de confiança exatos de Clopper-Pearson de 95% em dois lados. A adesão foi classificada como boa quando a porcentagem composta auto-reportada ponderada por dia de exposição era de pelo menos 80%. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-3
Figura 3: Transições individuais de adesão e estado. O diagrama aluvial mostra a classificação de adesão boa ou ruim de cada participante de um caso completo no dia 30, dia 90 e dia 180. Larguras de fita representam a contagem de participantes. O termo transição de estado de adesão é descritivo e não é apresentado como um construto previamente validado. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-4
Figura 4: Distribuições familiares de APGAR e BMQ-NCD ao longo do tempo. Caixas que representam (A) a família APGAR e (B) as distribuições BMQ-NCD representam a faixa interquartil, as linhas centrais a mediana, valores dos bigodes dentro de 1,5 vezes a faixa interquartil, e pontos além dos bigodes observações individuais. As comparações gerais utilizam testes de Friedman; comparações pareadas utilizam testes de Wilcoxon com patente sinalizada com correção de Bonferroni. BMQ-NCD é o total de Necessidade menos o total de Preocupações. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-5
Figura 5: Associações ajustadas no modelo de predição do dia 30. Os pontos são ORs ajustados e as barras horizontais são ICs de 95% para residência urbana versus rural, sexo masculino versus feminino, e aumentos de um ponto no dia inicial de 30 BMQ-NCD e APGAR familiar. O eixo horizontal é logarítmico, e a linha de referência vertical indica OR = 1. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-6
Figura 6: Nomograma para a probabilidade internamente estimada de boa adesão no Dia 180. O nomograma utiliza: residência, sexo, QBM-DNC no dia 30 e escore APGAR familiar do dia 30. Valores preditores mapeiam para pontos; O total de pontos corresponde à probabilidade estimada. Maior BMQ-NCD indica que a necessidade percebida supera as preocupações, e um maior APGAR familiar indica melhor funcionamento familiar percebido. O nomograma requer validação externa antes do uso clínico. Por favor, clique aqui para ver uma versão ampliada desta figura.

figure-results-7
Figura 7: Validação interna do modelo de predição do dia 30. (A) A curva ROC mostra um AUC aparente de 0,879 (IC bootstrap 95%, 0,821-0,928) e um AUC corrigido pelo otimismo de 0,867. (B) O painel de calibração compara probabilidades previstas e observadas. A linha ideal denota calibração perfeita, a curva aparente descreve a amostra ajustada, e a curva corrigida por viés reflete a correção de otimismo bootstrap de 1.000 reamostras. Linhas sombreadas ou de limite, se exibidas, representam limites de confiança de 95%; marcas de tapete mostram a distribuição das probabilidades previstas. Por favor, clique aqui para ver uma versão ampliada desta figura.

CaracterísticaNo geral (N = 191)Baixa adesão (N = 52)Boa adesão (N = 139)Valor P
Idade, anos59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Faixa etária, n (%)0.822
<65 anos120 (62.8%)32 (61.5%)88 (63.3%)
>=65 anos71 (37.2%)20 (38.5%)51 (36.7%)
Sexo, n (%)0.015
Feminino41 (21.5%)5 (9.6%)36 (25.9%)
Masculino150 (78.5%)47 (90.4%)103 (74.1%)
Residência, n (%)<0,001
Rural92 (48.2%)36 (69.2%)56 (40.3%)
Urbano99 (51.8%)16 (30.8%)83 (59.7%)
Educação, n (%)0.224
Escola primária ou abaixo59 (30.9%)21 (40.4%)38 (27.3%)
Ensino fundamental II50 (26.2%)13 (25.0%)37 (26.6%)
Ensino médio/técnico36 (18.8%)10 (19.2%)26 (18.7%)
Diploma universitário ou superior46 (24.1%)8 (15.4%)38 (27.3%)
Estado civil, n (%)0.905
Casados175 (91.6%)47 (90.4%)128 (92.1%)
Solteiro9 (4.7%)3 (5.8%)6 (4.3%)
Divorciado/viúvo7 (3.7%)2 (3.8%)5 (3.6%)
Ocupação, n (%)0.138
Empregado/profissional36 (18.8%)9 (17.3%)27 (19.4%)
Trabalhador25 (13.1%)7 (13.5%)18 (12.9%)
Agricultor39 (20.4%)16 (30.8%)23 (16.5%)
Aposentado45 (23.6%)7 (13.5%)38 (27.3%)
Autônomos/outros46 (24.1%)13 (25.0%)33 (23.7%)
Renda mensal, 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%)
Pontuação NIHSS na alta2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Duração da internação, dias8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tabela 1: Características da população estudada para validação metodológica (N = 191). Esta tabela resume os perfis demográficos e clínicos dos participantes, estratificados pelo seu estado de adesão auto-relatada ao medicamento após 180 dias (Bom vs. Ruim). Variáveis categóricas são apresentadas como frequências (n) e percentuais (%). Os valores p são fornecidos para comparações descritivas entre grupos e não foram usados para seleção de preditores. Por favor, clique aqui para baixar esta Tabela.

MedidaDia 30, média +/- SDDia 90, média +/- SDDia 180, média +/- DSMudança (dia 180 - dia 30), média +/- DSChi quadrado de Friedman (df = 2)Valor global P
Pontuação total BMQ-NCD13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0,001
Partitura APGAR em família8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0,001

Tabela 2: Escores longitudinais de BMQ-NCD e APGAR familiar. Esta tabela relata cada escala no dia 30, dia 90 e dia 180 como média (DS) e mediana (IQR). Os valores P gerais são dos testes de Friedman; valores P pós-hoc pareados são de testes de rank por sinal de Wilcoxon com correção de Bonferroni. BMQ-NCD é o total de Necessidade Específica do BMQ menos o total de Preocupações (intervalo, -20 a 20).

PreditorCoeficiente βErro padrãoWald zValor PCirurgia ajustada (IC 95%)Codificação / unidade
Interceptação-10.38112.0697-5.016<0,001—Interceptação de modelos
Residência urbana1.29210.43962.940.00333.64 (1.54–8.62)Urbano vs rural (referência)
Sexo masculino-1.52150.6395-2.3790.01740.22 (0.06–0.76)Masculino vs feminino (referência)
Linha Base BMQ-NCD0.52110.09955.238<0,0011.68 (1.39–2.05)Por aumento de 1 ponto
APGAR da Família Base0.68870.18473.728<0,0011.99 (1.39–2.86)Por aumento de 1 ponto

Tabela 3: Especificação completa de regressão logística multivariável para boa adesão no dia 180 (N = 191). A tabela relata os coeficientes de interceptação e regressão, erros padrão, estatísticas de Wald, valores P, ORs ajustados e intervalos de confiança de 95% para o modelo final de regressão logística multivariável. Boa adesão é codificada 1, e má adesão é codificada 0. Residência é Urbana = 1 versus Rural = 0; sexo é masculino = 1 versus feminino = 0; Dia 30 BMQ-NCD e dia 30 APGAR Familiar são modelados por aumento de um ponto.

Figura suplementar 1: Fluxo de participantes e seleção de coorte para o estudo longitudinal de adesão à medicação.Por favor, clique aqui para baixar este arquivo.

Arquivo Suplementar 1: O conjunto de dados analítico completo. Por favor, clique aqui para baixar este arquivo.

Discussão

Este estudo descreve um protocolo telefônico longitudinal padronizado e desenvolve internamente um modelo de predição do dia 30 para a adesão auto-relatada ao medicamento no dia 180 após AVC isquêmico. Três descobertas são centrais. Primeiro, a proporção classificada como tendo boa adesão diminuiu de 84,3% no dia 30 para 77,0% no dia 90 e 72,8% no dia 180. Segundo, as pontuações BMQ-NCD e APGAR familiar também diminuíram em todas as avaliações agendadas. Terceiro, residência urbana, sexo, BMQ-NCD do dia 30 e APGAR familiar do dia 30 estiveram associados à adesão ao dia 180 no modelo predefinido de predição do dia 30. Esses achados apoiam avaliações repetidas após a alta, permanecendo descritivas e internamente preditivas, em vez de causais.

A redução na prevalência de boa adesão é consistente com pesquisas anteriores sobre AVC que mostraram que a persistência com medicamentos de prevenção secundária pode diminuir após a alta 17,18,19,20. A maioria dos participantes permaneceu na categoria de boa adesão, enquanto o grupo que mais mudou passou de boa para baixa aderência. Esse padrão sugere que uma entrevista precoce satisfatória não deve ser tratada como prova de uso contínuo de medicação. Clinicamente, a reavaliação do dia 90 pode identificar pacientes cujo comportamento mudou após o período imediato de recuperação, e a entrevista do dia 180 oferece uma oportunidade posterior para revisar a complexidade do regime, efeitos adversos, barreiras de acesso e envolvimento dos cuidadores.

Uma contribuição metodológica importante é a separação das três janelas de recordação não sobrepostas: dias 1–30, dias 31–90 e dias 91–180. Essa abordagem evita pedir repetidamente aos participantes que reconstruam todo o período pós-descarga e vincula cada estimativa a um intervalo definido. O composto ponderado por dia de exposição também acomoda classes de medicamentos com diferentes durações prescritas. No entanto, permanece uma proporção auto-relatada de dias aderentes à classe, e não de PDC derivada da farmácia. Erro de recordação e viés de desejabilidade social podem, portanto, superestimar a ingestão. As porcentagens observadas devem ser interpretadas como estimativas estruturadas de entrevistas, e não como confirmação objetiva de que a medicação foi dispensada ou tomada.

Os achados longitudinais sobre BMQ-NCD fornecem um possível contexto psicossocial para o padrão de adesão. BMQ-NCD é a pontuação de Necessidade menos a pontuação de Preocupações e, portanto, representa o equilíbrio relativo entre necessidade percebida e apreensão, em vez de um total global deBMQ de 25, 26, 34. Um valor menor pode refletir crenças de necessidade mais fracas, preocupações mais fortes, ou ambos. A administração repetida pode ajudar os clínicos a identificar qual componente mudou e a adaptar o aconselhamento de acordo, mas as análises atuais não conseguem determinar se mudanças nas crenças precederam mudanças na adesão. As respostas ao questionário também podem ser influenciadas pelo estado de saúde e pela experiência no tratamento. Registros em nível de item e o instrumento chinês exato devem ser verificados antes de tirar conclusões mecanicistas.

O APGAR familiar também mede o funcionamento familiar percebido, em vez da quantidade de cuidado observadoobjetivamente 27,28. Durante a recuperação após AVC, mudanças na deficiência, nas atividades do dia a dia, no sofrimento psicológico, no peso dos cuidadores, nos papéis do domicílio e nas expectativas culturalmente moldadas podem alterar a forma como o apoio évivido 35,36,37,38,39,40. A queda na APGAR familiar deve, portanto, ser descrita como uma associação dentro dessa coorte, e não como evidência de que o apoio familiar inevitavelmente se deteriora ou causa falta de adesão. O resultado, no entanto, apoia o envolvimento dos cuidadores no acompanhamento e na avaliação repetida dos papéis práticos de apoio e tratamento.

O modelo de predição revisado é destinado a ser usado após o acompanhamento do dia 30, pois dois preditores psicossociais foram coletados nessa avaliação. As consultas ambulatoriais após alta ocorridas após o dia 30 foram excluídas para reduzir a ambiguidade temporal. Escores mais altos no dia 30 de BMQ-NCD e APGAR familiar estiveram associados a maiores chances de boa adesão no dia 180, apoiando o valor potencial da reavaliação psicossocial precoce. As consultas ambulatoriais pós-alta foram excluídas porque são contemporâneas com a janela de desfecho e podem introduzir ambiguidade temporal. A residência urbana pode representar acesso, disponibilidade de medicamentos ou continuidade do cuidado, mas esses mecanismos não foram medidos, e a residência não deve ser interpretada causalmente. Escores mais altos de BMQ-NCD e APGAR familiar no início do ano estiveram associados a maiores chances de boa adesão, apoiando o valor potencial da avaliação psicossocial na alta. O sexo masculino estava associado a chances menores, mas esse coeficiente é estatisticamente frágil porque apenas cinco mulheres estavam no grupo de baixa aderência. Efeitos residuais de confusão, dados esparsos e padrões de cuidado específicos de cada centro continuam plausíveis.

O AUC aparente de 0,879 e o AUC corrigido por otimismo de 0,867 indicam boa discriminação dentro dos 191 casos completos. A pontuação Brier aparente de 0,118 e a inclinação de calibração corrigida por otimismo de 0,923 fornecem informações complementares sobre erro de previsão e calibração. A correção bootstrap reduz o otimismo quando o desempenho do modelo é avaliado na amostra de desenvolvimento, mas não estabelece a transportabilidade. Essas estimativas não demonstram superioridade em relação a outros modelos, prontidão para alocação de recursos ou um limiar de probabilidade validado para decisões clínicas. O nomograma é uma representação da equação ajustada. Validação temporal ou multicêntrica independente, com recalibração se necessário, é necessária antes de ser usada para orientar o cuidado ao paciente.

Estudos computacionais recentes adicionam métodos ausentes na revisão original: seleção de características conscientes do desequilíbrio em dados de câncer de alta dimensão41, suporte de mHealth para pessoas com demência e cuidadores42, estratégias de seleção de características para grandes bancos de dados médicos43, deep learning apoiado por ADASIN para previsão de ocorrência deAVC 44, e frameworks mais amplos de monitoramento de saúde por aprendizado de máquina45. Esses são comparadores úteis, mas seus objetivos diagnósticos, de alta dimensão ou orientados a sensores diferem do nosso modelo de adesão de quatro preditores com 191 participantes. Futuros conjuntos de dados externos devem comparar regressão logística pré-especificada com abordagens penalizadas e de aprendizado de máquina, ao relatar calibração e utilidade clínica.

Diversas limitações definem o escopo dos achados. A amostra de conveniência de centro único limita a generalizabilidade, e a análise completa de casos excluíram 19 dos 210 participantes inscritos que não completaram o acompanhamento; Embora seu fluxo tenha sido documentado, o viés de atrito permanece possível, e nenhum valor de resultado foi imputado. Três pontos de avaliação não conseguem capturar flutuações de curto prazo, e o horizonte de 180 dias não caracteriza persistência de longo prazo nem resultados vasculares recorrentes. O auto-relato não foi validado cruzadamente com dados de dispensação, contagem de comprimidos ou monitoramento eletrônico. A amostra também limita a análise detalhada de subgrupos e pode gerar coeficientes instáveis para categorias esparsas. Os pontos fortes incluem intervalos não sobrepostos, regras explícitas para múltiplos medicamentos, uso de preditores psicossociais demográficos pré-definidos e do dia 30, e validação interna bootstrap. Estudos futuros devem vincular entrevistas a medidas de renovação ou eletrônicas, documentar o tipo de respondente, estender o acompanhamento para 12 meses e avaliar o modelo em coortes independentes.

Conclusão

Em conclusão, este protocolo define três avaliações pós-alta do uso auto-relatado de medicação e um modelo interpretável de dia 180, restrito a quatro preditores clínicos e psicossociais pré-definidos. O modelo apresentou desempenho interno promissor na coorte completa de casos, mas exige validação externa independente antes da implementação clínica.

Divulgações

Todos os autores não revelaram conflitos de interesse.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
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/)

Referências

  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.

Reimpressões e permissões

Etiquetas

Preven o Secund riaAder ncia AutorrelatadaModelo Log sticoAPGAR FamiliarBMQ Espec ficoResid ncia Urbana
Entre em contato
Recomendar à biblioteca

Privacidade

Termos de uso

Políticas

Copyright © 2026 MyJoVE Corporation. Todos os direitos reservados.