Методическая статья

Лонгитюдный мониторинг и предиктивное моделирование соблюдения медикаментов у пациентов с ишемическим инсультом

52 просмотров

⸱

DOI:

10.3791/71636

⸱

11 августа 2026 г.

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

В этой статье

Краткое содержание

Этот протокол описывает структурированную телефонную оценку самосообщаемого приема медикаментов через 30, 90 и 180 дней после выписки и внутреннюю разработку ранней модели прогнозирования последующего наблюдения для выживших после ишемического инсульта. Протокол отделяет самосообщаемое приём от фармацевтического ПДК и использует заранее определённые демографические и психосоциальные предикторы на 30-й день.

Аннотация

Соблюдение медикаментов является центральным фактором вторичной профилактики после ишемического инсульта, однако самосообщаемая приверженность может изменяться во время наблюдения. В рамках этой одноцентровой продольной системы было зачислено 210 участников, из которых 191 завершил 180-дневную оценку. Приём лекарств оценивался с помощью структурированного телефонного интервью на днях 1–30, 31–90 и 91–180 дней и классифицировался как хороший, когда суммарный процент соблюдения по дням воздействия составлял не менее 80%. Китайские BMQ-специфичные и семейные APGAR проводились на 30-й, 90-й и 180-й день. Логистическая модель с четырьмя предикторами использовала место жительства, пола, BMQ-NCD на 30-й день и семейный APGAR 30-го дня, и была внутренне валидирована с помощью 1000 повторных выборок в бутстрапе. Из 191 полного случая хорошее соблюдение составило 84,3% (95% ДИ, 78,3%–89,1%) на 30-й день, 77,0% (95% ДИ, 70,3%–82,7%) на 90-й день и 72,8% (95% ДИ, 65,9%–79,0%) на 180-й день. Городское проживание, мужской пол, день 30 BMQ-NCD и семейный балл APGAR за день 180 были связаны с соблюдением дня 180. Очевидный AUC составил 0,879 (95% CI, 0,821–0,928), а оптимизм-скорректированный AUC — 0,867. Протокол предоставляет воспроизводимую основу для продольной оценки самосообщаемой приверженности и внутренне валидированную модель прогнозирования на 30-й день. Перед клиническим внедрением требуются внешняя валидация и объективные меры соблюдения.

Введение

Инсульт остаётся одной из ведущих причин долгосрочной инвалидности и смертности во всем мире, что требует уточнённого клинического определения, учитывающего как патологические, так и визуализированные данные. 1. Несмотря на достижения в области острых вмешательств, глобальное бремя инсульта продолжает расти, при этом ишемический инсульт составляет подавляющее большинствослучаев 2. Эта тенденция особенно заметна в Китае, где распространённость сосудистых факторов риска достигла критического уровня, что создаёт огромную нагрузку на системуздравоохранения 3. Данные свидетельствуют о том, что выжившие после первого инсульта сталкиваются с высоким риском повторных сосудистых событий, при этом исследования, проведенные в сообществе, подчёркивают устойчивую уязвимость этойпопуляции 4. Хотя управление острой фазой представляет собой значительныесложности 5, долгосрочная выживаемость и продолжительность жизни этих пациентов в основном определяются эффективностью стратегий вторичнойпрофилактики 6,7.

Краеугольным камнем вторичной профилактики является строгое фармакологическое лечение, включая снижение артериального давления и антитромбоцитарнуютерапию 8,9,10. Международные рекомендации Американской кардиологической ассоциации (AHA), Европейской организации по инсульту (ESO) и Канадских рекомендаций по лучшей практике инсульта подчеркивают, что соблюдение этих схем необходимо для предотвращениярецидива 11,12,13,14. Тем не менее, клиническая полезность этих вмешательств часто подрывается из-за плохого соблюдения медикаментов15,16. Соблюдение медикаментов — это многомерная конструкция, включающая как инициацию, так иперсистентность 15,17. Недавние данные реестра показывают, что более строгое соблюдение вторичных профилактических препаратов значительно повышает выживаемость и снижает частотурецидивов 17,18. Например, придержка статинов независимо связана со снижением рискарецидивирования 19.

Несмотря на эти преимущества, лонгитюдные исследования отмечают значительный «временной спад» в уровне адринга в течение первого года послевыписки 20. Хотя демографические факторы, такие как половые различия и социально-экономический статус, влияют наустойчивость 21,22, всё больше признаётся роль психосоциальных и когнитивных факторов в формировании поведенияпациентов 23,24. Анкета «Убеждения о лекарствах» (BMQ) стала валидированным инструментом для оценки когнитивного представления медикаментов через рамки «Необходимость и опасения» 25. Систематические обзоры показали, что показатели BMQ являются надёжными предикторами приверженности при различных хронических заболеваниях в Китае26. Аналогично, социальная среда, особенно функционирование семьи, играет ключевую роль. Семейный индекс APGAR обеспечивает надёжную меру воспринимаемой поддержки, что крайне важно для пациентов, проходящих через сложности жизни послеинсульта 27,28.

Хотя NIHSS и модифицированная шкала Ранкина описывают неврологическую тяжесть и функциональный исход29,30, они не измеряют напрямую веру в медикаментозное лечение или воспринимаемое функционирование семьи31. Мобильное здравоохранение и сервисы на базе WeChat были изучены: соблюдениеих поддерживает 32,33. Таким образом, настоящий протокол имеет две цели: определить оценку приёма лекарств на 30, 90 и 180 день с использованием согласованной терминологии, а также разработать интерпретируемую модель соблюдения дня 180 с использованием заранее определённых демографических и психосоциальных переменных, собранных в ходе исследования.

Протокол

Протокол был утверждён Этическим комитетом по биомедицинским исследованиям Западно-Китайской больницы Сычуанского университета (Одобрение No 2021 Обзор (1303); дата утверждения — 8 ноября 2021 года). Все зарегистрированные процедуры проводились в соответствии с требованиями комитета и утверждённым протоколом. Полный аналитический набор данных представлен в Дополнительном файле 1.

1. Скрининг пациентов и базовая регистрация

  1. Определите потенциальных участников по стационарным записям отделения неврологии. Избранные пациенты, диагностированные с острой ишемической схемой, с помощью магнитно-резонансной томографии (МРТ) или компьютерной томографии (КТ). Запишите общее количество первоначально проверенных лиц, чтобы определить базовый пул для диаграммы потока участников.
  2. Проводите скрининг пациентов по заранее установленным критериям включения. Включите взрослых с подтверждённым острым ишемическим инсультом, которые могут пройти собеседование самостоятельно или через официального представителя.
  3. Применяйте критерии исключения. Исключать пациентов с анамнезом тяжёлых психических заболеваний, когнитивными нарушениями (определяемыми клиническими записями) или продолжительностью жизни менее шести месяцев. Документируйте точные причины и соответствующие числа исключений на данном этапе (например, ограничения по продолжительности жизни или отказ дать согласие).
  4. Перед регистрацией получите письменное информированное согласие от пациента или, если пациент не может дать согласие, от законно уполномоченного представителя, используя форму, утверждённую комитетом. Объясните дизайн долгосрочного исследования, телефонные оценки и 180-дневный график последующего наблюдения перед подписанием. Запишите личность и роль человека, дающего согласие, дату согласия и сотрудника исследования, получившего согласие.
  5. Собирать исходные демографические и клинические данные в течение 48 часов после поступления. Фиксируйте возраст, пол, место жительства, уровень образования и ежемесячный доход с помощью стандартизированной формы отчёта о случае.
  6. После выписки квалифицированный специалист по инсульту проведёт проверенный китайский NIHSS с использованием стандартных 11 баллов и общего диапазона 0–4229. Запишите общий балл, роль оценщика, статус обучения, дату оценки и продолжительность пребывания в больнице.
  7. Проведите официальное китайское BMQ-Specific через структурированное личное собеседование перед выпиской и по телефону в 30-й день, 90-й день и180-25,34-й день.
    ПРИМЕЧАНИЕ: Инструмент содержит пять пунктов необходимости и пять пунктов по вопросам. Оцените каждый пункт от 1 (категорически не согласен) до 5 (полностью согласен) и суммите пять элементов в каждой подшкале; Сумма необходимости и заботы, поэтому каждая из них варьируется от 5 до 25.
  8. Вычислите дифференциал необходимости и опасения (BMQ-NCD) как Необходимость минус Опасения (диапазон, -20–20). Более высокая необходимость и более высокие значения BMQ-NCD указывают на более сильную воспринимаемую потребность относительно опасений, тогда как более высокое значение беспокойства указывает на большее беспокойство.
    ПРИМЕЧАНИЕ: Требуется все пять ответов для каждой подшкалы; в противном случае закажите этот подмасштаб и BMQ-NCD как отсутствующие. Используйте 30-й день BMQ-NCD в качестве предиктора непрерывной модели. В то же время Китайская семейнаяAPGAR 27.
  9. Оценивайте Адаптацию, Партнёрство, Рост, Привязанность и Решимость как 0 (почти никогда), 1 (иногда) или 2 (почти всегда), и суммите пять пунктов в целые числа 0-10; Более высокие показатели указывают на лучшее воспринимаемое функционирование семьи. Если какой-либо предмет из Family APGAR отсутствует, закажите общее количество как отсутствующее. Запишите версии инструментов, авторизацию, администратора, респондента, дату, ответы на задание, итоги по подшкале и общие баллы в форме отчёта по делу.

2. Подготовка к выписке и обучение пациентов

  1. Проведите стандартизированное медикаментозное консультирование перед выпиской. Предоставьте письменный список назначенных вторичных профилактических препаратов, включая антитромбоциты, статины и антигипертензивы.
  2. Обучайте пациента и его основного опекуна важности соблюдения медикаментов. Продемонстрируйте, как фиксировать приём лекарств, если пациент собирается использовать таблетку или дневник.
  3. Проверьте основной контактный номер пациента. Установите предпочтительные временные окна для будущих последующих звонков, чтобы минимизировать отток и обеспечить высокий уровень отклика.

3. Продольный контроль после выписки (день 30, день 90 и день 180)

  1. Проведите первое структурированное телефонное интервью на 30-й день после выписки (целевое окно, плюс-минус 3 дня). Для каждого класса вторичных профилактических препаратов, назначенных в период с 1 по 30 день, запишите название класса, частоту назначенной сутки дозы, количество дней воздействия и количество самосообщаемых дней с соблюдением класса в дни с 1 по 30.
    1. Зафиксируйте респондента (пациента или основного опекуна, управляющего медикаментом), дату контакта, изменения режима, временные прерывания, указанные врачом, и причины незавершения. На том же интервью проводите BMQ-специфичный и семейный APGAR и фиксируйте результаты за 30-й день
  2. Проведите второе собеседование на 90-й день (целевое окно, плюс-минус 7 дней). Повторите вопросы по медикаментам, специфичные для класса, на непересекающийся интервал 31–90 дней и введите BMQ и семейный APGAR. Не просите участника восстановить дни с 1 по 30 заново; сохраняют запись 30-го дня в качестве источника для этого интервала.
  3. Проведите финальное собеседование в день 180 (целевое окно, плюс-минус 7 дней). Повторяйте вопросы по медикаментам, специфичные для класса, в непересекающийся интервал 91–180 дней, введите BMQ и семейный APGAR, а также фиксируйте день — 180 мРС, когда это возможно.
  4. Используйте одну и ту же структурированную форму собеседования и правило для респондента на всех трёх повторных консультациях. Если пациент не может реагировать из-за когнитивных, языковых или физических нарушений, используйте опекуна, который управляет медикаментозной схемой, и фиксируйте эту замену. Не заявляйте подтверждение подсчёта таблеток, дневника, аптеки или проверки интервьюера, если это не зафиксировано в исходных записях.
  5. Записывайте амбулаторные визиты только для описательного наблюдения. Не включайте никакие переменные использования после ухода в модель прогнозирования, предназначенную для использования после оценки на 30-й день.
  6. Определите исходную оценку как стационарную/выписку и маркируйте оценки соблюдения по календарному времени (день 30, день 90 и день 180), а не по Т1, Т2 и Т3. Это предотвращает предыдущий конфликт, в котором T1 относился как к базовому, так и к 30-му дню.

4. Количественная оценка самостоятельно сообщаемого соблюдения медикаментов

  1. Не используйте термин PDC, если только соблюдение не связано с записями о выдаче или пополнении. Рассматривайте антитромботическую терапию (антитромбоцитарные или пероральные антикоагулянты, как показано), липиднизационную терапию, антигипертензивную и понижающую глюкозу как отдельные классы вторичной профилактики только по назначению этому участнику.
    1. Для каждого назначенного занятия определите день с соблюдением класса как день, в который, по сообщениям, была принята каждая запланированная доза в этом классе; Отсутствие любой запланированной дозы делает этот учебный день несоблюденным. Прекращение приёма, замена и временные приостановки по указанию врача не считаются ожидаемым воздействием через несколько дней после задокументированной даты вступления в силу.
    2. Рассчитайте композитный процент самосообщаемого интервала как 100, умноженный на сумму дней с соблюдением классов по записанным классам на сумму ожидаемых дней экспозиции по этим классам. Этот расчёт, взвешенный по дню воздействия, учитывает разные сроки назначения и эквивалентен среднему пропорциям по классу только при назначении каждого курса на одинаковое количество дней. Используйте дни 1–30 для значения дня-30, дни 31–90 для значения дня-90 и дни 91–180 для значения дня-180.
  2. При каждом последующем осмотре классифицируйте хорошее соблюдение как долю самосообщаемых дней соблюдения не менее 80% и слабое соблюдение как менее 80%. Относитесь к отсутствующей оценке соответствия как отсутствующим; Не относите их к категории плохого соблюдения.

5. Интеграция данных, продольный анализ и предсказательное моделирование

  1. Выполните воспроизводимый анализ с использованием языка программирования Python (версия 3.13.5) с библиотеками для обработки данных, численных вычислений, статистического анализа и визуализации на 64-битной операционной системе Windows. Установить случайное семя на 71636 и закажите отсутствующие значения как NA. Если финальная команда использует R, замените этот раздел точной версией R, версиями пакетов, функциями и скриптом; Не сообщайте о невыполненном программном процессе.
  2. Суммируем пропорции хорошего соблюдения на 30, 90 и 180 день с двусторонними 95% точными доверительными интервалами Клоппера-Пирсона. Проверьте общее парное изменение бинарной адрелигии с Q-тестом Кокрана, затем точные парные тесты МакНемара с коррекцией Бонферрони.
  3. Проанализируйте BMQ-NCD и семейный APGAR на 30-й, 90-й и 180-й день среди полных случаев с помощью теста Фридмана. Когда тест омнибуса значим, проводите сравнения Вилкоксона со знаками и коррекцией Бонферрони. Сообщайте медианы и межквартильные диапазоны, а также средние и стандартные отклонения. Рассчитывать итоги индивидуальной шкалы по ответам на уровне пункта до анализа; Не анализируйте интерполированные или сглаженные вручную значения анкет.
  4. Определите результат дня-180 как хорошее соблюдение = 1 и плохое соблюдение = 0. Переработайте многопеременную логистическую регрессию на 30-й день с использованием четырёх заранее заданных предикторов: место жительства (Urban = 1; Сельская местность = 0), пол (Мужчина = 1; Женщины = 0), день 30 BMQ-NCD (непрерывный) и день 30 Семейный балл APGAR (непрерывный). Не используйте амбулаторные последующие визиты. Избегайте описания одномерного отбора или обратного отбора, если только эта процедура не была выполнена и задокументирована в коде.
  5. Закажите полное уравнение по подгонке: logit[P(хорошее присоединение к 180-му дню)] = -10.3811 + 1.2921(Городский) - 1.5215(Мужский) + 0.5211(BMQ-NCD) + 0.6887(Семейный APGAR). Генерируйте номограмму непосредственно из этих неокруглённых коэффициентов и используйте метки, ориентированные на читателя, эталонные категории, диапазоны баллов и направленность.
  6. Оцените дискриминацию с помощью ROC AUC и доверительного интервала 95% процентильного бутстрапа. Оценить общую ошибку прогноза с использованием балла Брайера и калибровки с помощью графика калибровки и наклона калибровки. Сообщайте о видимой эффективности отдельно от оптимизм-скорректированной эффективности.
  7. Выполните 1000 успешных ресэмплов bootstrap. В каждом повторном выборке переработайте полную модель с четырьмя предикторами и оцените оптимизм, сравнивая производительность в выборке bootstrap с производительностью исходной выборки. Вычтите средний оптимизм из кажущейся производительности.

6. Конфиденциальность пациентов и безопасность данных

  1. Убедитесь, что вся информация, идентифицируемая пациентом, удалена перед анализом. Храните главный файл связи в защищённой паролем зашифрованной институциональной системе, доступной только авторизованному сотруднику исследований.
  2. При регистрации каждому участнику присваивается уникальный алфавитно-цифровой идентификатор. Используйте этот идентификатор для всех последующих форм и цифровых записей.

Результаты

Реализация стандартизированного протокола и стратификации когорт

Журнал потоков участников сообщает, что было оценено 216 человек, 6 исключены, а 210 зачислены. Семнадцать участников были потеряны до оценки на 90-й день, а ещё двое участников — до 180-го дня, оставив 191 полный случай для лонгитюдного и моделирующего анализа (Дополнительный рисунок 1). 19 неполных материалов были задокументированы в журнале скрининга и последующего наблюдения для отчётности по потоку участников, но не были включены в аналитический набор данных, и значения результатов не были введены. Таким образом, файл анализа содержит заранее определённую полную когорту из 191 участника.

На 180-й день 139 из 191 участника были классифицированы как обладающие хорошей приверженностью, а 52 — как слабые (Таблица 1). Городское проживание и пол различались между группами приверженности в унивариантных сравнениях, тогда как другие исходные переменные следует указывать с точными оценками эффекта и P-значениями, а не описываться как сбалансированные вместе. Женская клетка с плохой приверженностью включала пять участников, поэтому оценки по полу требуют осторожной интерпретации.

Количественная характеристика затухания и переходов прикрепления

Среди 191 полного случая хорошее соблюдение составило 84,3% (161/191; точные 95% ДИ, 78,3%–89,1%) в дни 1–30, 77,0% (147/191; 70,3%–82,7%) в дни 31–90 и 72,8% (139/191; 65,9%–79,0%) в дни 91–180 (см. рисунок 2). Общая парная разница была значительной (Cochran Q = 31,0, df = 2, P < 0,001). Наблюдаемые закономерности дня-30/день-90/день-180 были следующими: хорошо/хорошо/хорошо (n = 138), хорошо/хорошо/плохо (n = 8), хорошо/плохо/плохо (n = 15), плохо/хорошо/хорошо (n = 1) и плохо/плохо/плохо (n = 29) (рисунок 3). Мы описываем их как переходы состояния привязанности, не подразумевая, что был установлен новый валидированный поведенческий конструкт.

Чувствительность и продольная отзывчивость психосоциальных метрик

Среди полных случаев средние значения BMQ-NCD составили 13,06 (SD 2,60) на 30-й день, 12,06 (3,03) на 90-й день и 10,88 (3,84) на 180-й день; средние значения APGAR по семейству составляли соответственно 8,20 (1,28), 7,79 (1,45) и 7,23 (1,84). Как омнибусные тесты Фридмана, так и скорректированные по Бонферрони парные тесты Уилкоксона дали P < 0,001 (Таблица 2; Рисунок 4). Итоги индивидуальных анкет должны быть воссозданы непосредственно из форм отчёта по делу на уровне пункта до окончательного анализа.

Взвешивание параметров и синтез предсказательного инструмента

Модель прогнозирования на 30-й день сохранила четыре заранее заданных предиктора (Таблица 3): городское проживание (скорректированная О, 3,64; 95% ДИ, 1,54–8,62; P = 0,0033), мужской пол (скорректированный ОР, 0,22; 95% ДИ, 0,06–0,76; P = 0,0174), день 30 BMQ-NCD на пункт (скорректированный OR, 1,68; 95% CI, 1,39–2,05; P < 0,001), а также на 30-й день по семейному баллу APGAR (скорректированный OR, 1,99; 95% CI, 1,39–2,86; P < 0,001). Установленный перехват составил -10.3811. На рисунке 5 показана та же кодировка и однобалльная шкала, что и в таблице 3, а на рисунке 6 неокругленные коэффициенты отображаются на номограмму.

Методологическая валидация: точность и калибровка

Видимый AUC модели составлял 0,879 (bootstrap 95% CI, 0,821–0,928), а оптимизм-скорректированный AUC после 1000 успешных пересэмплирования — 0,867 (рисунок 7). Видимый балл Бриера составил 0,118, а оптимизм-скорректированный калибровочный наклон — 0,923. Эти значения описывают внутреннюю производительность в 191 полном случае и не являются внешней валидацией.

figure-results-1
Рисунок 1: Стандартизированная операционная дорожная карта мониторинга соблюдения после инсульта. Эта блок-схема иллюстрирует четырёхфазный протокол, реализованный в исследовании: Фаза 1 (Регистрация и исходный уровень), Фаза 2 (выписка из неотложной помощи), Фаза 3 (Систематический продольный мониторинг) и Фаза 4 (оценка и анализ риска). Эта дорожная карта служит стандартной операционной процедурой (SOP) для предлагаемой методологии. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-2
Рисунок 2: продольные пропорции хорошего прицепления. На рисунке показаны пропорции полного соблюдения случаев за день 1–30 при оценке на день 30 (84,3%), дни 31–90 на оценке по день 90 (77,0%) и дни с 91 по 180 день оценки (72,8%). Полоски ошибок — это двусторонние 95% точные доверительные интервалы Клоппера-Пирсона. Соблюдение было классифицировано как хорошее, когда комбинированный процент самоотчётной оценки по дням экспозиции составлял не менее 80%. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-3
Рисунок 3: Индивидуальные переходы между состоянием адхеренса. Аллювиальная диаграмма показывает классификацию доброго или плохого соблюдения каждого участника полного случая на 30, 90 и 180 день. Ширина лент отражает количество участников. Термин переход состояния адхеренса носит описательный характер и не представлен как ранее валидированная конструкция. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-4
Рисунок 4: Распределения семейства APGAR и BMQ-NCD во времени. Боксы, представляющие распределения (A) семейства APGAR и (B) BMQ-NCD, представляют межквартильный диапазон, центральные линии медианы, значения усов в пределах 1,5-кратного межквартильного диапазона и точки за пределами усиков — индивидуальные наблюдения. Общие сравнения используют тесты Фридмана; парные сравнения используют тесты Уилкоксона со знакомым рангом с коррекцией Бонферрони. BMQ-NCD — это сумма необходимости минус сумма Беспокойства. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-5
Рисунок 5: Скорректированные ассоциации в модели прогнозирования на 30-й день. Баллы являются скорректированными операционными, а горизонтальные полосы составляют 95% ДИ для городского и сельского проживания, мужского и женского пола, и на один балл в базовом 30-м дне BMQ-NCD и семейном APGAR. Горизонтальная ось логарифмическая, а вертикальная опорная линия обозначает OR = 1. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-6
Рисунок 6: Номограмма для внутренне оцененной вероятности хорошего присоединения к 180-му дню. Номограмма использует: место жительства, пол, 30-й день BMQ-NCD и 30-й день Семейный APGAR. Значения предикторов отображаются в точках; Общее количество очков соответствует оценочной вероятности. Более высокий BMQ-NCD указывает на то, что воспринимаемая необходимость перевешивает опасения, а более высокий семейный APGAR указывает на лучшее воспринимаемое функционирование семьи. Номограмма требует внешней валидации перед клиническим применением. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

figure-results-7
Рисунок 7: Внутренняя валидация модели прогнозирования на 30-й день. (A) Кривая ROC показывает видимый AUC 0,879 (bootstrap 95% CI, 0,821-0,928) и оптимизм-скорректированный AUC 0,867. (B) Панель калибровки сравнивает предсказанные и наблюдаемые вероятности. Идеальная линия обозначает идеальную калибровку, видимая кривая — подогнанный образец, а корректированная смещением кривая отражает коррекцию оптимизма с 1000 повторных выборок. Затемнения или пограничные линии, если отображаются, представляют 95% пределы доверия; Отметки ковра показывают распределение предсказанных вероятностей. Пожалуйста, нажмите здесь, чтобы увидеть увеличенную версию этой фигуры.

ХарактеристикиОбщий результат (N = 191)Плохое присоединение (N = 52)Хорошее присоединение (N = 139)Значение p
Возраст, годы59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Возрастная группа, n (%)0.822
<65 лет120 (62.8%)32 (61.5%)88 (63.3%)
>=65 лет71 (37.2%)20 (38.5%)51 (36.7%)
Пол, n (%)0.015
Женский41 (21.5%)5 (9.6%)36 (25.9%)
Мужской150 (78.5%)47 (90.4%)103 (74.1%)
Место жительства, n (%)<0.001
Сельская местность92 (48.2%)36 (69.2%)56 (40.3%)
Урбан99 (51.8%)16 (30.8%)83 (59.7%)
Образование, n (%)0.224
Начальная школа или ниже59 (30.9%)21 (40.4%)38 (27.3%)
Средняя школа50 (26.2%)13 (25.0%)37 (26.6%)
Средняя школа/технический36 (18.8%)10 (19.2%)26 (18.7%)
Диплом колледжа или выше46 (24.1%)8 (15.4%)38 (27.3%)
Семейное положение, n (%)0.905
Женат175 (91.6%)47 (90.4%)128 (92.1%)
Неженатый9 (4.7%)3 (5.8%)6 (4.3%)
Разведённый/вдовец7 (3.7%)2 (3.8%)5 (3.6%)
Занятость, n (%)0.138
Трудоустройство/профессиональная деятельность36 (18.8%)9 (17.3%)27 (19.4%)
Рабочий25 (13.1%)7 (13.5%)18 (12.9%)
Фермер39 (20.4%)16 (30.8%)23 (16.5%)
Ушел в отставку45 (23.6%)7 (13.5%)38 (27.3%)
Самозанятость/другое46 (24.1%)13 (25.0%)33 (23.7%)
Ежемесячный доход, юань, 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%)
Оценка NIHSS при выписке2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Продолжительность пребывания в больнице, дни8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Таблица 1: Характеристики исследуемой популяции для методологической валидации (N = 191). В этой таблице представлены демографические и клинические профили участников, стратифицированные по их самооценённому статусу приёма лекарств за 180 дней (Хорошо против плохого). Категориальные переменные представлены как частоты (n) и проценты (%). P-значения предоставляются для описательных сравнений между группами и не использовались для выбора предикторов. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

МераДень 30, среднее +/- SDДень 90, среднее +/- SDДень 180, среднее +/- SDИзменение (день 180 - день 30), среднее +/- SDХи-квадрат Фридмана (df = 2)Глобальное значение P
Общий балл BMQ-NCD13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0.001
Семейный балл APGAR8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0.001

Таблица 2: Лонгитюдные оценки BMQ-NCD и семейные APGAR. Эта таблица показывает каждую шкалу на 30-й, 90-й и 180-й день как среднее (SD) и медиану (IQR). Общие P-значения взяты из тестов Фридмана; парные пост-hoc P-значения взяты из тестов Уилкоксона со знакомым рангом с коррекцией Бонферрони. BMQ-NCD — это суммарная сумма специфической необходимости BMQ за вычетом общего количества опасений (диапазон от -20 до 20).

Предикторβ коэффициентСтандартная ошибкаWald zЗначение pСкорректированная операционная (95% ДИ)Кодирование / единица
Перехват-10.38112.0697-5.016<0.001—Перехват моделей
Городская резиденция1.29210.43962.940.00333.64 (1.54–8.62)Город против сельской местности (ссылка)
Мужской пол-1.52150.6395-2.3790.01740.22 (0.06–0.76)Мужчина против женщины (ссылка)
Базовый BMQ-NCD0.52110.09955.238<0.0011.68 (1.39–2.05)За увеличение на 1 пункт
Базовое семейство APGAR0.68870.18473.728<0.0011.99 (1.39–2.86)За увеличение на 1 пункт

Таблица 3: Полная многомерная логистическая регрессионная спецификация для правильного соблюдения на 180-й день (N = 191). В таблице представлены коэффициенты перехвата и регрессии, стандартные ошибки, статистика Вальда, P-значения, скорректированные OR и 95% доверительные интервалы для окончательной многомерной логистической регрессионной модели. Хорошее соблюдение кодируется как 1, а плохое — 0. Место жительства — городское = 1 против сельского = 0; пол: мужской = 1 против женщины = 0; 30-й день BMQ-NCD и 30-й день Family APGAR моделируются с учетом прироста на один пункт.

Дополнительный рисунок 1: Поток участников и отбор когорт для лонгитюдного исследования приверженности медикаментозным препаратам.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительный файл 1: Полный аналитический набор данных. Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

В этом исследовании описывается стандартизированный продольный телефонный протокол и внутренне разрабатывается модель прогнозирования 30-го дня для самосообщаемого приёма лекарств на 180-й день после ишемического инсульта. Три вывода являются ключевыми. Во-первых, доля с хорошим соблюдением снизилась с 84,3% на 30-й день до 77,0% на 90-й день и 72,8% на 180-й день. Во-вторых, баллы BMQ-NCD и семейного APGAR также снизились во время запланированных оценок. В-третьих, городское проживание, пол, 30-й день BMQ-NCD и семейный APGAR 30-го дня были связаны с соблюдением 180-го дня в заранее заданной модели прогнозирования 30-го дня. Эти результаты подтверждают повторную оценку после выписки, оставаясь при этом описательными и внутренне предсказательными, а не причинными.

Снижение распространённости доброго соблюдения соответствует предыдущим исследованиям инсульта, показывающим, что персистентность при вторичном профилактическом препарате может снижаться послевыписки 17,18,19,20. Большинство участников остались в категории доброго соблюдения, тогда как самая большая меняющаяся группа перешла от «хорошего» к плохому. Эта тенденция говорит о том, что удовлетворительное раннее интервью не должно рассматриваться как доказательство длительного приёма лекарств. Клинически повторная оценка на 90-й день может выявить пациентов, чьё поведение изменилось после немедленного периода восстановления, а интервью на 180-й день предоставляет позже возможность рассмотреть сложность схемы, побочные эффекты, барьеры доступа и вовлечённость опекунов.

Важным методологическим вкладом является разделение трёх непересекающихся окон воспоминаний: дней 1–30, дней 31–90 и дней 91–180. Этот подход избегает постоянного запроса участников восстановить весь период после выписки и связывает каждую оценку с определённым интервалом. Композитный препарат с оценкой по дню воздействия также учитывает классы лекарств с разной предписанной длительностью. Тем не менее, это по-прежнему сообщаемая доля дней с соблюдением класса, а не фармацевтический PDC. Ошибка в воспоминании и социально-желательный уклон могут переоценить употребление пищи. Наблюдаемые проценты следует интерпретировать как структурированные оценки интервью, а не как объективное подтверждение того, что медикаменты были выписаны или приняты.

Результаты продольных результатов BMQ-NCD предоставляют возможный психосоциальный контекст для паттерна присоединения. BMQ-NCD — это балл Необходимости минус балл Беспокойства, и, следовательно, отражает относительный баланс между воспринимаемой потребностью и тревогой, а не глобальный общийBMQ 25,26,34. Более низкая стоимость может отражать слабые убеждения о необходимости, более сильные опасения или и то, и другое. Повторное введение может помочь клиницистам определить, какой компонент изменился, и адаптировать консультации соответственно, но настоящие анализы не могут определить, предшествовали ли изменения убеждений изменениям в соблюдении. Ответы на анкеты также могут зависеть от состояния здоровья и опыта лечения. Записи на уровне предметов и точный китайский инструмент следует проверить, прежде чем делать механистические выводы.

Семейный APGAR аналогично измеряет воспринимаемое функционирование семьи, а не количество объективно наблюдаемыхуходов 27,28. Во время восстановления после инсульта изменения в инвалидности, повседневной жизни, психологическом стрессе, нагрузке на опекунов, ролях в доме и культурно сформированных ожиданиях могут изменить то, как воспринимаетсяподдержка 35, 36, 37, 38, 39, 40. Снижение числа семейных APGAR следует описывать как ассоциацию внутри этой когорты, а не как доказательство того, что поддержка семьи неизбежно ухудшается или приводит к несоблюдению. Тем не менее, результат поддерживает вовлечённость опекуна в последующие наблюдения и повторную оценку практических ролей поддержки и лечения.

Пересмотренная модель прогноза предназначена для использования после наблюдения на 30-й день, поскольку при этом оценке были собраны два психосоциальных предиктора. Амбулаторные визиты после выписки после 30-го дня были исключены для снижения временной неоднозначности. Более высокие показатели BMQ-NCD и семейного APGAR за день 30 были связаны с большими шансами на хорошее соблюдение на 180-й день, что подтверждает потенциальную ценность ранней психосоциальной переоценки. Амбулаторные визиты после выписки были исключены, поскольку они совпадают с окном исхода и могут создавать временную неоднозначность. Городское проживание может означать доступ, доступность медикаментов или непрерывность ухода, но эти механизмы не измерялись, и проживание не следует интерпретировать как причинно-следственное. Более высокие базовые показатели BMQ-NCD и семейного APGAR были связаны с большими шансами на хорошее соблюдение, что подтверждает потенциальную ценность психосоциальной оценки при выписке. Мужской пол был связан с более низкими шансами, но этот коэффициент статистически хрупок, поскольку только пять женщин входили в группу с плохой приверженностью. Остаточные запутанные эффекты, эффекты редких данных и специфические для центра паттерны ухода остаются вероятными.

Очевидный AUC 0,879 и оптимизм-скорректированный AUC 0,867 указывают на хорошую дискриминацию среди 191 полного случая. Кажущийся балл Бриера 0,118 и оптимизм-скорректированный калибровочный наклон 0,923 дают дополнительную информацию о ошибке прогноза и калибровке. Коррекция bootstrap снижает оптимизм при оценке производительности модели на выборке разработки, но не устанавливает транспортируемость. Эти оценки не демонстрируют превосходства над другими моделями, готовности к распределению ресурсов или валидированного порога вероятности для клинических решений. Номограмма является представлением подгонного уравнения. Требуется независимая временная или многоцентровая валидация с перекалибровкой при необходимости, прежде чем использовать её для управления уходом за пациентом.

Недавние вычислительные исследования добавляют методы, отсутствовавшие в первоначальном обзоре: выбор признаков с учётом дисбаланса в данных о раке с высоким уровнемизмерений 41, поддержка mHealth для людей с деменцией и опекунов42, стратегии выбора признаков для крупных медицинских базданных 43, глубокое обучение с поддержкой ADASYN для прогнозирования инсульта44 и более широкие системы мониторинга здоровья на основе машинногообучения 45. Это полезные компараторы, но их диагностические, высокомерные или сенсорно-ориентированные цели отличаются от нашей модели соблюдения четырёх предикторов с 191 участником. Будущие внешние наборы данных должны сравнивать заранее заданную логистическую регрессию с пенальными и машинным обучением при отчёте о калибровке и клинической полезности.

Ряд ограничений определяет масштаб результатов. Выборка с одним центром для удобства ограничивает обобщаемость, а анализ полного случая исключил 19 из 210 зарегистрированных участников, которые не прошли последующее наблюдение; Хотя их поток был задокументирован, смещение утраты остаётся возможным, и значения исхода не были зачислены. Три точки оценки не могут отражать краткосрочные колебания, а 180-дневный горизонт не характеризует долгосрочную устойчивость или повторяющиеся сосудистые исходы. Самоотчёт не проходил перекрёстную валидацию с данными о выдаче, количестве таблеток или электронном мониторинге. Выборка также ограничивает детальный анализ подгрупп и может дать нестабильные коэффициенты для разреженных категорий. Сильные стороны включают непересекающиеся интервалы, чёткие правила мультимедикаментов, использование заранее определённых демографических и психосоциальных предикторов 30-го дня, а также внутреннюю валидацию самостоятельно. В будущих исследованиях следует связывать интервью с повторными или электронными показателями, документировать тип респондента, продлевать период наблюдения до 12 месяцев и оценивать модель в независимых когортах.

Заключение

В заключение, этот протокол определяет три оценки после выписки самостоятельно сообщаемой о приёме лекарств и интерпретируемую модель дня 180, ограниченную четырьмя заранее заданными клиническими и психосоциальными предикторами. Модель показала многообещающие внутренние результаты в полной когорте, но требует независимой внешней валидации перед клинической реализацией.

Раскрытие информации

Все авторы не сообщили о конфликтах интересов.

Благодарности

Ни одного.

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
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/)

Ссылки

  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.

Перепечатки и разрешения

Теги

APGARBMQ
Свяжитесь с нами
Рекомендовать библиотеке

Конфиденциальность

Условия эксплуатации

Политика

Авторские права © 2026 MyJoVE Corporation. Все права защищены.