Yöntem makalesi

İskemik İnme Hastalarında İlaç Uyumunun Uzunlamasına İzleme ve Öngörülebilir Modellenmesi

52 görüntüleme

⸱

DOI:

10.3791/71636

⸱

11 Ağustos 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

Bu makalede

Özet

Bu protokol, taburcu olduktan 30, 90 ve 180 gün sonra kendi bildirilen ilaç kullanımının yapılandırılmış telefon değerlendirmesini ve iskemik felç kurtulanlar için erken takip tahmin modelinin iç geliştirilmesini açıklar. Protokol, kendi bildirilen tüketimini eczane tabanlı PDC'den ayırır ve önceden tanımlanmış demografik ile 30. gün psikososyal öngörücüleri kullanır.

Özet

İlaç uyumu, iskemik inme sonrası ikincil önlemede merkeze girer, ancak kendi bildirimleri takip sırasında değişebilir. Bu tek merkezli uzunlamasına çerçevede 210 katılımcı kaydedildi ve 191 katılımcı 180 günlük değerlendirmeyi tamamladı. İlaç kullanımı, 1–30, 31–90 ve 91–180 günleri için yapılandırılmış bir telefon görüşmesi kullanılarak değerlendirildi ve maruziyet-gününe göre ağırlıklı bileşik bağlılık yüzdesi en az %80 olduğunda iyi olarak sınıflandırıldı. Çin BMQ-Özel ve Aile APGAR'ı 30. gün, 90. gün ve 180. gün uygulandı. Dört öngörücülü lojistik model, ikamet, cinsiyet, 30. gün BMQ-NCD ve 30. gün Aile APGAR'ı kullandı ve 1.000 bootstrap yeniden örnekleme ile iç doğrulandı. 191 tam vaka arasında, iyi uyum 30. günde %84,3 (%95 GA, %78,3–%89,1), %90'da %77,0 (%95 GA, %70,3–%82,7) ve %180'de %72,8 (%95 GA, %65,9–%79,0) idi. Kentsel ikamet, erkek cinsiyet, 30. gün BMQ-NCD ve 30. gün aile APGAR puanı, 180. güne bağlılıkla ilişkilendirildi. Görünüş AUC 0.879 (%95 GA, 0.821–0.928) ve iyimserlik düzeltilmiş AUC 0.867 idi. Protokol, kendi bildirilen bağlılığın uzunlamasına değerlendirmesi için tekrarlanabilir bir çerçeve ve dahili doğrulanmış 30. gün tahmin modeli sağlar. Klinik uygulamadan önce dış doğrulama ve nesnel bağlılık önlemleri gereklidir.

Giriş

İnme, dünya genelinde uzun vadeli engellilik ve ölüm nedenlerinden biri olmaya devam etmekte olup, hem patolojik hem de görüntüleme kanıtlarını açıklayan daha iyi bir klinik tanımgerektirmektedir 1. Akut müdahalelerdeki ilerlemelere rağmen, küresel felç yükü büyümeye devam etmekte olup, vakaların büyük çoğunluğunu iskemik inmeoluşturmaktadır 2. Bu eğilim özellikle Çin'de belirgindir; burada damar risk faktörlerinin yaygınlığı kritik seviyelere ulaşmış ve sağlık sistemi üzerinde büyük bir yükoluşturmaktadır 3. Kanıtlar, ilk kez yaşanan felçten sağ kalanların tekrarlayan damar olayları için yüksek risk taşıdığını göstermekte olup, topluluk temelli çalışmalar bu popülasyonun kalıcı savunmasızlığınıvurgulamaktadır 4. Akut fazın yönetimi önemli zorluklaryaratsa da 5, bu hastaların uzun vadeli hayatta kalma ve yaşam beklentisi ağırlıklı olarak ikincil önleme stratejilerinin etkinliğiylebelirlenir 6,7.

İkincil önlemenin temel taşı titiz farmakolojik yönetimdir; bunlar arasında kan basıncını düşürme ve antiplatelet tedavi 8,9,10 bulunur. Amerikan Kalp Birliği (AHA), Avrupa İnme Örgütü (ESO) ve Kanada İnme En İyi Uygulama Önerileri'nin uluslararası yönergeleri, bu rejimlere uymanın tekrarı önlemek için hayati önem olduğunuvurgular 11,12,13,14. Buna rağmen, bu müdahalelerin klinik faydası genellikle kötü ilaç uyumu nedeniyle zayıflamaktadır15,16. İlaç uyumu, hem başlatmayı hem de davamlılığı içeren çok boyutlu biryapıdır 15,17. Son kayıt verileri, ikincil önleme ilaçlarına daha fazla bağlılığın hayatta kalmayı önemli ölçüde iyileştirdiğini ve nüks oranlarını azalttığınıgöstermektedir 17,18. Örneğin, statin uyumu bağımsız olarak azalan tekrarlayanriskle ilişkilendirilmiştir 19.

Bu faydalara rağmen, uzunlamasına çalışmalar, taburcu sonrası ilk yıl boyunca tutunma oranlarında önemli bir "zamansal düşüş"gözlemlemektedir 20. Cinsiyet farklılıkları ve sosyoekonomik durum gibi demografik faktörler kalıcı durumuetkilerken, hasta davranışını şekillendirmedeki psikososyal ve bilişsel faktörlerin rolü giderek daha fazla kabuledilmektedir 23,24. İlaçlar hakkında İnançlar Anketi (BMQ), "Zorunluluk-Endişeler" çerçevesi aracılığıyla ilaçların bilişsel temsilini değerlendirmek için doğrulanmış bir araç olarak ortayaçıkmıştır 25. Sistematik derlemeler, BMQ puanlarının Çin'deki çeşitli kronik hastalıklarda bağlılık için güçlü öngörücülerolduğunu göstermiştir 26. Benzer şekilde, sosyal ortam, özellikle aile işlevi önemli bir rol oynar. Aile APGAR Endeksi, algılanan desteğin güvenilir bir ölçüsünü sağlar ve bu, inme sonrası yaşamın karmaşıklıklarında yol alan hastalar için kritiköneme sahiptir 27,28.

NIHSS ve değiştirilmiş Rankin Ölçeği nörolojik şiddet ve fonksiyonel sonuçları29,30 tanımlamakla birlikte, ilaç inançlarını veya algılanan aile işlevini doğrudanölçmezler 31. Mobil sağlık ve WeChat tabanlı hizmetler, bağlılık destekleriolarak incelenmiştir 32,33. Bu nedenle mevcut protokolün iki amacı vardır: 30, 90. ve 180. gün ilaç değerlendirmesini tutarlı terminolojiyle tanımlamak ve çalışma sırasında toplanan önceden tanımlanmış demografik ve psikososyal değişkenler kullanılarak yorumlanabilir bir 180. gün bağlılık modeli geliştirmek.

Protokol

Protokol, Sichuan Üniversitesi Batı Çin Hastanesi Biyomedikal Araştırma Etik Komitesi tarafından onaylandı (Onay No. 2021 İnceleme (1303); onay tarihi: 8 Kasım 2021). Tüm rapor edilen prosedürler komitenin gereksinimleri ve onaylanmış protokole uygun olarak yürütülmüştür. Tam analitik veri seti Ek Dosya 1'de sunulmaktadır.

1. Hasta taraması ve başlangıç kayıtları

  1. Nöroloji Bölümü'nün yatarak kayıtlarından potansiyel katılımcıları belirleyin. Manyetik rezonans görüntüleme (MR) veya bilgisayar tomografisi (BT) ile akut iskemik inme teşhisi konan seçilen hastalar. Katılımcı akış diyagramı için temel havuzu oluşturmak amacıyla başlangıçta taranan bireylerin toplam sayısını kaydedin.
  2. Hastaları önceden belirlenmiş dahil etme kriterlerine göre taran. Görüşmeyi kendileri veya yasal olarak yetkili bir temsilci aracılığıyla tamamlayabilecek görüntüleme ile onaylanmış akut iskemik felci olan yetişkinleri de dahil edin.
  3. Dışlama kriterlerini uygulayın. Ağır ruhsal hastalık, bilişsel bozukluk (klinik kayıtlarla belirlenen) veya yaşam süresi altı aydan az olan hastalar hariç tutulur. Bu aşamadaki herhangi bir istisna etme için (örneğin, yaşam süresi sınırlamaları veya rıza vermemeyi reddetme) tam nedenlerini ve ilgili sayıları belgeleyin.
  4. Kayıttan önce, hastadan yazılı bilgilendirilmiş onay alın veya hasta rıza veremezse, yasal olarak yetkili bir temsilciden komite tarafından onaylanan bilgilendirilmiş onay formunu kullanın. İmzadan önce uzunlamasına çalışma tasarımını, telefon değerlendirmelerini ve 180 günlük takip programını açıklayın. Rıza veren kişinin kimliği ve rolü, onay tarihi ve izni alan çalışma personeli kaydedilsin.
  5. Başvurudan 48 saat içinde başlangıç demografik ve klinik verileri toplamak. Yaş, cinsiyet, ikamet, eğitim seviyesi ve aylık gelir kayıtlarını standart bir vaka raporu formu ile kaydedin.
  6. Taburcu olunca, standart 11 puanlı madde ve toplam 0–4229 aralığı kullanarak doğrulanmış Çin NIHSS'sini eğitimli bir inme klinisyenine versin. Toplam puanı, değerlendirici rolünü, eğitim durumunu, değerlendirme tarihini ve hastanede kalma süresini kaydedin.
  7. Yetkili Çin BMQ-Özel programını, taburcu edilmeden önce yapılandırılmış yüz yüze görüşme ile ve 30. gün, 90. gün ve 180.gün 25,34'te telefonla yönetin.
    NOT: Araç beş Zorunluluk maddesi ve beş Endişe maddesi içerir. Her maddeyi 1'den (kesinlikle katılmıyorum) ile 5'e (kesinlikle katılıyorum) ile puanlayın ve her alt ölçekteki beş maddeyi toplamalısınız; Zorunluluk ve Endişeler toplamları nedeniyle her biri 5 ile 25 arasında değişir.
  8. Gereklilik-endişe diferansiyel (BMQ-NCD) olarak Gereklilik çıkar Endişeler (aralık, -20 ila 20) olarak hesaplanın. Daha yüksek ihtiyaç ve daha yüksek BMQ-NCD değerleri, endişelere kıyasla daha güçlü algılanan ihtiyacı gösterirken, daha yüksek Endişe değeri daha fazla endişeyi gösterir.
    NOT: Her alt ölçek için beş yanıtın tamamını zorunlu kılın; aksi takdirde, o alt ölçeği ve BMQ-NCD'yi eksik olarak kodlayın. 30. gün BMQ-NCD'yi sürekli model tahmincisi olarak kullanın. Aynı zamanda, Çin Ailesi APGAR27'yi yönetin.
  9. Adaptasyon, Ortaklık, Büyüme, Sevgi ve Kararlılık'ı 0 (neredeyse hiç olmadan), 1 (bazan) veya 2 (neredeyse her zaman) olarak puanlayın ve beş öğeyi 0-10 tam sayı olarak toplayın; Daha yüksek puanlar, aile işlevinin daha iyi algılandığını gösterir. Eğer herhangi bir Aile APGAR eşyası eksikse, toplamı eksik olarak kodlayın. Araç versiyonlarını, yetkilendirme, yönetici, katılımcı, tarih, madde yanıtları, alt ölçek toplamları ve toplam puanları vaka raporu formuna kaydedin.

2. Taburcu hazırlığı ve hasta eğitimi

  1. Taburcu olmadan önce standart bir ilaç danışmanlığı seansı yapın. Antitrombositler, statinler ve antihipertansifler dahil olmak üzere reçete edilen ikincil önleme ilaçlarının yazılı bir listesini sunun.
  2. Hastaya ve birincil bakıcısına ilaç tutmanın önemini öğretin. Hasta bir hap kutusu veya günlük kullanmayı planlıyorsa ilaç alımını nasıl kaydedeceğini gösterin.
  3. Hastanın birincil telefon numarasını doğrulayın. Gelecekteki takip çağrıları için tercih edilen bir zaman penceresi belirleyin, böylece kayıpları en aza indirin ve yüksek yanıt oranı sağlansın.

3. Taburcu sonrası uzunlamasına takip (30. Gün, 90. Gün ve 180. Gün)

  1. İlk yapılandırılmış telefon görüşmesini taburcu olduktan sonraki 30. günde (hedef pencere, artı eksi, 3 gün artı) yapın. 1–30. günler arasında reçete edilen her ikincil önleme ilaç sınıfı için, sınıf adı, reçete edilen günlük doz sıklığı, maruz kalınan günler sayısı ve 1–30. günler arasında kendi bildirilen sınıf bağlılığı sayısını kaydedin.
    1. Yanıtlayanı (hasta veya birincil ilaç yöneten bakıcı), iletişim tarihini, rejim değişikliklerini, geçici doktor yönlendirmelerini ve tamamlamama nedenlerini kaydedin. Aynı görüşmede, BMQ-Özel ve Aile APGAR'ını uygulayın ve 30. gün puanlarını kaydedin
  2. İkinci mülakatı 90. günde (hedef pencere, artı eksik 7 gün) yapın. 31–90 aralığı arasında kesişmeyen günler için sınıfa özgü ilaç sorularını tekrarlayın ve BMQ ile Aile APGAR'ını uygulayın. Katılımcıdan 1–30. günleri tekrar yeniden yapılandırmasını istemeyin; o aralık için 30. gün kaydını kaynak olarak koruyun.
  3. Son mülakatı 180. günde (hedef pencere, artı eksi, 7 gün artı) yapın. Sınıfa özgü ilaç sorularını çakışmayan günler 91–180 aralığı için tekrarlayın, BMQ ve Aile APGAR'ını uygulayın ve mevcut olduğunda gün-180 mRS'yi kaydedin.
  4. Üç takip sırasında da aynı yapılandırılmış mülakat formunu ve katılımcı kuralını kullanın. Hasta bilişsel, dil veya fiziksel bozukluk nedeniyle yanıt veremezse, ilaç tedavisini yöneten bakıcıyı kullan ve bu kakameyi kaydet. Kaynak kayıtlarda belgelenmedikçe hap sayımı, günlük, eczane veya mülakat yapan kontrol doğrulaması iddia etmeyin.
  5. Sadece betimleyici takip için ayaktan tedavi ziyaretlerini kaydedin. 30. gün değerlendirmesinden sonra kullanılmak üzere tasarlanmış bir tahmin modeline taburcu sonrası kullanım değişkeni dahil edilmeyin.
  6. Başlangıç, yatan hasta/taburcu değerlendirmesi olarak tanımlanın ve takvim zamanına göre (30. gün, 90. gün ve 180. gün) bağlılık değerlendirmelerini T1, T2 ve T3 yerine etiketleyin. Bu, T1'in hem temel çizgiye hem de 30. güne atıfta bulunduğu önceki çatışmayı önler.

4. Kendi bildirilen ilaç uyumunun nicelendirilmesi

  1. PDC terimini, kayıtların dağıtımı veya yeniden doldurulmasından kaynaklanan bağlılık sağlanmadıkça kullanmayın. Antitrombotik tedavi (belirtildiği gibi antiplatelet veya oral antikoagülant), lipid düşürücü tedavi, antihipertansif tedavi ve glukoz düşürücü tedavi yalnızca o katılımcıya reçete edildiğinde ayrı ikincil önleme sınıfları olarak tedavi edin.
    1. Her reçete edilen sınıf için, sınıfa bağlı bir gün, o sınıftaki her planlanan dozun alındığı gün olarak tanımlanır; Planlı dozun atlanması o ders gününe uymama neden olur. Doktor tarafından yönlendirilen bırakmalar, ikame işlemleri ve geçici bekletmeler, belgelenen yürürlüğe giren tarihten sonraki günler olarak beklenen maruz kalma günleri olarak sayılmamaktadır.
    2. Aralık bileşik kendi bildirim bağlılık yüzdesini 100, belirlenen dersler arasındaki sınıf bağlılığı günlerinin toplamıyla bölünmüş olarak hesaplayın. Bu maruziyet-günü ağırlıklı hesaplama, farklı reçete sürelerini kapsar ve sınıfa özgü oranların ortalamasına eşdeğerdir; ancak her sınıf aynı gün sayısı için reçete edildiğinde. 30. gün değeri için 1–30. günler, 90. gün değeri için 31–90 günler ve 180. gün değeri için 91–180 günleri kullanın.
  2. Her takipte, iyi bağlılığı en az %80 ve kötü bağlılık oranı olarak kendi bildirilen oranı olarak sınıflandırın. %80'den az olarak sınıflandırılın. Eksik uyum değerlendirmelerini eksik olarak kabul edin; Onları zayıf uyum kategorisine atma.

5. Veri entegrasyonu, uzunlamasına analiz ve öngörücü modelleme

  1. 64-bit Windows işletim sisteminde veri işleme, sayısal hesaplama, istatistiksel analiz ve görselleştirme için kütüphanelerle Python programlama dili (sürüm 3.13.5) kullanılarak tekrarlanabilir analiz gerçekleştirin. Rastgele tohumu 71636 olarak ayarlayın ve eksik değerleri NA olarak kodlayın. Eğer son takım bunun yerine R kullanıyorsa, bu bölümü tam olarak çalıştırılan R versiyonu, paket sürümleri, fonksiyonları ve betikleriyle değiştirin; Yürütülmemiş bir yazılım iş akışını bildirmeyin.
  2. 30. gün, 90. gün ve 180. gün iyi uyum oranlarını iki taraflı %95 Clopper-Pearson tam güven aralıklarıyla özetleyin. İkili bağlılıktaki genel eşleşmiş değişimi Cochran'ın Q testiyle test edin, ardından tam eşleştirilmiş McNemar testleri ve Bonferroni düzeltmesi yapıldı.
  3. Friedman testi kullanılarak tam vakalar arasında 30. gün, 90. gün ve 180. gün boyunca BMQ-NCD ve Aile APGAR'ını analiz edin. Omnibus testi anlamlı olduğunda, eşleştirilmiş Wilcoxon imzalı sıralama karşılaştırmalarını Bonferroni düzeltmesi ile yapın. Ortalamalar ve standart sapmaların yanı sıra medianları ve çeyreklerarası aralıkları raporlayın. Analiz öncesinde öğe düzeyindeki yanıtlardan bireysel ölçek toplamlarını hesaplayın; Anket değerlerini ara yoluyla veya elle düzleştirilmiş şekilde analiz etmeyin.
  4. 180. gün sonucunu iyi bağlılık = 1 ve kötü bağlılık = 0 olarak tanımlayın. Dört önceden belirlenmiş tahmin edicisi kullanılarak 30. gün çok değişkenli lojistik regresyonu yeniden düzenleyin: ikamet (Kentsel = 1; Kırsal = 0), cinsiyet (Erkek = 1; Kadın = 0), 30-30 BMQ-NCD (sürekli) ve 30-30. gün-Aile APGAR puanı (sürekli). Ayaktan tedavi takip ziyaretlerini kullanmayın. Tek değişkenli tarama veya geriye doğru seçimi tanımlamaktan kaçının, ancak bu prosedür gerçekten yürütülüp kodda belgelenmedi.
  5. Tam uyumlu denklemi belirtin: logit[P(180. günde iyi bağlılık)] = -10.3811 + 1.2921(Kentsel) - 1.5215(Erkek) + 0.5211(BMQ-NCD) + 0.6887 (APGAR Ailesi). Nomogramı doğrudan bu yuvarlanmamış katsayılardan oluşturun ve okuyucuya yönelik etiketler, referans kategorileri, puan aralıkları ve yönlülük kullanın.
  6. ROC AUC ve %95'lik %95 güven aralığı ile ayrımcılığı değerlendirin. Brier puanı ile genel tahmin hatasını değerlendirin ve kalibrasyon grafiği ile kalibrasyon eğimi ile kalibrasyon. Görünür performansı iyimserlik düzeltilmiş performanstan ayrı olarak raporlayın.
  7. 1.000 başarılı bootstrap resample'ı gerçekleştirin. Her yeniden örneklemede, tam dört öngörücü modeli yeniden yapıp bootstrap örneklemindeki performansı orijinal örneklemdeki performansla karşılaştırarak iyimserliği tahmin edin. Görünen performanstan ortalama iyimserliği çıkar.

6. Hasta gizliliği ve veri güvenliği

  1. Analizden önce hasta tarafından tanımlanabilir tüm bilgilerin çıkarıldığından emin olun. Ana bağlantı dosyasını, yalnızca yetkili çalışma personelinin erişebileceği şifre korumalı, şifreli bir kurumsal sistemde sakla.
  2. Kayıt sırasında her katılımcıya benzersiz bir alfanumerik kimlik atayın. Tüm sonraki takip formları ve dijital kayıtlar için bu ID'yi kullanın.

Sonuçlar

Standartlaştırılmış protokolün ve kohort tabakalaşmasının uygulanması

Katılımcı akış kaydı, 216 bireyin değerlendirildiğini, 6'sının hariç tutulduğunu ve 210'unun kayıtlı olduğunu bildirmektedir. 90. gün değerlendirmesinden önce on yedi katılımcı kaybedildi ve 180. günden önce iki ek katılımcı kaybedildi; böylece boylamasına ve modelleme analizleri için 191 tam vaka kaldı (Ek Şekil 1). 19 eksik olmayan, katılımcı akışı raporlaması için tarama ve takip günlüğünde belgelenmiş, ancak analitik veri setine dahil edilmemiş ve sonuç değerleri atatılmamıştır. Bu nedenle analiz dosyası, önceden belirlenmiş tam vaka kohortunu içeren 191 katılımcıyı içerir.

180. günde, 191 katılımcıdan 139'u iyi uyumlu, 52'si ise zayıf bağlılık gösterdi (Tablo 1). Tek değişkenli karşılaştırmalarda kentsel ikamet ve cinsiyet, bağlılık grupları arasında farklılık gösterirken, diğer temel değişkenler tam etki tahminleri ve P-değerleriyle birlikte rapor edilmelidir; topluca olarak balanslı olarak tanımlanmak yerine bu durum belirlenmelidir. Kadın zayıf bağlılık hücresinde beş katılımcı bulunduğundan, cinsiyetle ilgili tahminler dikkatli yorum gerektiriyor.

Bağlılık bozulması ve geçişlerin nicel karakterizasyonu

191 tam vaka arasında, iyi bağlılık %84,3 (161/191; tam %95 GA, %78,3–%89,1), %31–90 günler için %77,0 (147/191; %70,3–%82,7) ve 91–180 günler için %72,8 (139/191; %65,9–%79,0) idi (Şekil 2). Genel eşleştirilmiş fark anlamlıydı (Cochran Q = 31.0, df = 2, P < 0.001). Gözlemlenen 30 gün/gün-90/gün-180 örnekleri iyi/iyi/iyi (n = 138), iyi/iyi/kötü (n = 8), iyi/fakir/fakir (n = 15), fakir/iyi/iyi (n = 1) ve yoksul/fakir/fakir (n = 29) şeklindeydi (Şekil 3). Bunlara tanımlayıcı olarak bağlılık-durum geçişleri diyoruz, ancak yeni doğrulanmış bir davranışsal yapının kurulduğunu ima etmeden.

Psikososyal metriklerin hassasiyeti ve uzunlamasına yanıt vermesi

Tam vakalar arasında, ortalama BMQ-NCD değerleri 30. günde 13.06 (SD 2.60), 90. günde 12.06 (3.03) ve 180. günde 10.88 (3.84) idi; ortalama aile APGAR değerleri sırasıyla 8,20 (1,28), 7,79 (1,45) ve 7,23 (1,84) idi. Hem Friedman omnibus testleri hem de Bonferroni ile ayarlanmış eşleştirilmiş Wilcoxon testleri P < 0.001 vermiştir (Tablo 2; Şekil 4). Bireysel anket toplamları, nihai analiz kilitlenmeden önce doğrudan madde düzeyindeki vaka raporu formlarından yeniden oluşturulmalıdır.

Parametre ağırlıklandırması ve öngörücü aracın sentezi

30. gün tahmin modeli, dört önceden belirlenmiş tahminci, dört önceden belirlenmiş tahminiciyi korudu (Tablo 3): kentsel konut (ayarlanmış OR, 3.64; %95 GA, 1.54–8.62; P = 0,0033), erkek cinsiyet (düzeltilmiş ameliyat alanı, 0,22; %95 GA, 0,06–0,76; P = 0.0174), 30. gün BMQ-NCD puan başına (düzeltilmiş OR, 1.68; %95 GA, 1.39–2.05; P < 0.001) ve 30. gün Aile APGAR puanı başına (düzeltilmiş OR, 1.99; %95 GA, 1.39–2.86; P < 0.001). Takılan kesme noktası -10.3811 idi. Şekil 5 , Tablo 3'te kullanılan aynı kodlama ve tek puan ölçeğini gösterir ve Şekil 6 , yuvarlanmamış katsayıları nomograma eşler.

Metodolojik doğrulama: Doğruluk ve kalibrasyon

Modelin görünüş AUC'si 0.879 (bootstrap %95 CI, 0.821–0.928) ve 1.000 başarılı bootstrap yeniden örneklemesinden sonra iyimserlik düzeltilmiş AUC 0.867 idi (Şekil 7). Görünüş Brier puanı 0.118 idi ve iyimserlik düzeltilmiş kalibrasyon eğimi 0.923 idi. Bu değerler, 191 tam vakadaki iç performansı tanımlar ve dış doğrulama teşkil etmez.

figure-results-1
Şekil 1: İnme sonrası bağlılık izleme için standartlaştırılmış operasyonel yol haritası. Bu akış şeması, çalışmada uygulanan dört aşamalı protokolü göstermektedir: Faz 1 (Kayıt ve başlangıç), Faz 2 (Akut bakım taburcu), Faz 3 (Sistematik uzunlamasına izleme) ve Faz 4 (Risk değerlendirmesi ve analizi). Bu yol haritası, önerilen metodoloji için Standart Çalışma Prosedürü (SOP) olarak hizmet eder. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Boylamasına iyi yapışma oranları. Şekil, 30. gün değerlendirmesinde 1–30. günler için tam vaka iyi uyum oranlarını (%84,3), %90 değerlendirmede 31–90 günleri (%77,0) ve 180. gün değerlendirmesinde 91–180 günleri (%72,8) göstermektedir. Hata çubukları, iki taraflı %95 Clopper-Pearson kesin güven aralıklarıdır. Maruz kalma günü ağırlıklı bileşik kendi bildirim oranı en az %80 olduğunda bağlılık iyi olarak sınıflandırıldı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Bireysel bağlılık-durum geçişleri. Alüvyel diyagram, her tam vaka katılımcısının iyi veya kötü uyum sınıflandırmasını 30. gün, 90. gün ve 180. gün gösterir. Kurdele genişlikleri katılımcı sayılarını temsil eder. Bağlılık-durum geçişi terimi tanımlayıcıdır ve daha önce doğrulanmış bir yapı olarak sunulmaz. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-4
Şekil 4: Aile APGAR ve BMQ-NCD dağılımları zamana göre. (A) APGAR ailesini ve (B) BMQ-NCD dağılımlarını temsil eden kutular, çeyreklerarası aralığı, orta çizgileri medianı, bıyık değerlerini 1,5 katı içinde ve bıyıkların ötesinde noktaları bireysel gözlemlerdir. Genel karşılaştırmalar Friedman testlerini kullanır; eşleştirilmiş karşılaştırmalarda Wilcoxon imzalı rütbe testleri ve Bonferroni düzeltmesi kullanılır. BMQ-NCD, Zorunluluk toplamı çıkarıldığında Endişeler toplamıdır. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-5
Şekil 5: 30. gün tahmin modelinde düzeltilmiş ilişkiler. Puanlar düzeltilmiş OR'lardır ve yatay çubuklar kentsel ve kırsal ikamet, erkek ve kadın cinsiyeti için %95 CI ve 30 günlük BMQ-NCD ile Aile APGAR'ında bir puanlık artıştır. Yatay eksen logaritmiktir ve dikey referans çizgisi OR = 1'i gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-6
Şekil 6: 180. Günde iyi uyum olasılığının dahili olarak tahmin edilen nomogramı. Nomogram şunları kullanır: ikamet, cinsiyet, 30. gün BMQ-NCD ve 30. gün Aile APGAR puanı. Tahminci değerler noktalara eşlenir; toplam puan tahmini olasılıkla eşleştirilir. Daha yüksek BMQ-NCD, algılanan gerekliliğin endişelerden daha ağır bastığını gösterirken, daha yüksek Aile APGAR'ı daha iyi algılanan aile işlevini gösterir. Nomogram, klinik kullanımdan önce harici doğrulama gerektirir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

figure-results-7
Şekil 7: 30. gün tahmin modelinin iç doğrulaması. (A) ROC eğrisi 0.879 (bootstrap %95 CI, 0.821-0.928) ve iyimserlik düzeltilmiş AUC 0.867 olarak görünür. (B) Kalibrasyon paneli, tahmin edilen ve gözlemlenen olasılıkları karşılaştırır. İdeal çizgi mükemmel kalibrasyonu gösterir, görünür eğri uyarlanan örneği tanımlar, yanlışlıkla düzeltilmiş eğri ise 1.000 yeniden örnekleme bootstrap iyimserlik düzeltmesini yansıtır. Gölgeli veya sınır çizgileri, gösterilirse %95 güven sınırını temsil eder; Halı işaretleri, tahmin edilen olasılıkların dağılımını gösterir. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

KarakteristikGenel (N = 191)Kötü uyum (N = 52)İyi bağlılık (N = 139)P değeri
Yaş, yıllar59.2 +/- 13.159.6 +/- 14.259.1 +/- 12.70.797
Yaş grubu, n (%)0.822
<65 yıl120 (62.8%)32 (61.5%)88 (63.3%)
>=65 yıl71 (37.2%)20 (38.5%)51 (36.7%)
Cinsellik, n (%)0.015
Kadın41 (21.5%)5 (9.6%)36 (25.9%)
Erkek150 (78.5%)47 (90.4%)103 (74.1%)
Ikamet, n (%)<0.001
Kırsal92 (48.2%)36 (69.2%)56 (40.3%)
Kentsel99 (51.8%)16 (30.8%)83 (59.7%)
Eğitim, n (%)0.224
İlkokul veya alt okul59 (30.9%)21 (40.4%)38 (27.3%)
Ortaokul50 (26.2%)13 (25.0%)37 (26.6%)
Lise/teknik36 (18.8%)10 (19.2%)26 (18.7%)
Üniversite derecesi veya üzeri46 (24.1%)8 (15.4%)38 (27.3%)
Medeni durum, n (%)0.905
Evli175 (91.6%)47 (90.4%)128 (92.1%)
Evlenmemiş9 (4.7%)3 (5.8%)6 (4.3%)
Boşanmış/dul kalmış7 (3.7%)2 (3.8%)5 (3.6%)
Meslek, n (%)0.138
İşli/profesyonel36 (18.8%)9 (17.3%)27 (19.4%)
İşçi25 (13.1%)7 (13.5%)18 (12.9%)
Çiftçi39 (20.4%)16 (30.8%)23 (16.5%)
Emekli Oldu45 (23.6%)7 (13.5%)38 (27.3%)
Serbest çalışanlar/diğer46 (24.1%)13 (25.0%)33 (23.7%)
Aylık gelir, CNY, n (%)0.208
<300039 (20.4%)14 (26.9%)25 (18.0%)
3000-499956 (29.3%)17 (32.7%)39 (28.1%)
>=500096 (50.3%)21 (40.4%)75 (54.0%)
NIHSS taburcu sırasında puan2.0 [0.0-4.5]2.0 [0.8-5.0]2.0 [0.0-4.0]0.603
Hastanede kalma süresi, günler8.0 [6.0-10.0]7.0 [5.0-9.0]8.0 [7.0-10.0]0.021

Tablo 1: Metodolojik doğrulama için çalışma popülasyonunun özellikleri (N = 191). Bu tablo, katılımcıların demografik ve klinik profillerini, 180 günlük kendi raporlarıyla ilaç uygulamaya uyum durumlarına göre (İyi ve Kötü) kategoriye ayrılmıştır. Kategorik değişkenler sıklık (n) ve yüzde (%) olarak sunulur. P-değerleri gruplar arası tanımlayıcı karşılaştırmalar için sağlanmakta olup, tahmin edici seçimi için kullanılmamıştır. Bu tabloyu indirmek için lütfen buraya tıklayın.

Ölçü30. gün, ortalama +/- SD90. gün, ortalama +/- SDGün 180, ortalama +/- SDDeğişim (gün 180 - gün 30), ortalama +/- SDFriedman ki-kare (df = 2)Küresel P değeri
BMQ-NCD toplam puanı13.06 +/- 2.6012.06 +/- 3.0310.88 +/- 3.84-2.18 +/- 1.90382.0<0.001
Aile APGAR puanı8.20 +/- 1.287.79 +/- 1.457.23 +/- 1.84-0.97 +/- 0.91357.5<0.001

Tablo 2: Boylamasına BMQ-NCD ve aile APGAR puanları. Bu tablo, 30. gün, 90. gün ve 180. gün ölçeklerini ortalama (SD) ve medyan (IQR) olarak gösterir. Genel P-değerleri Friedman testlerinden alınmıştır; çift post-hoc P-değerleri ise Wilcoxon imzalı rütbe testlerinden ve Bonferroni düzeltmesinden alınmıştır. BMQ-NCD, BMQ'ya Özgü Gereklilik toplamı çıkarıldığında Concern toplamı (aralık, -20 ile 20) çıkarılır.

Tahminciβ katsayısıStandart hataWald zP değeriAyarlanmış OR (%95 CI)Kodlama / birim
Kesinti-10.38112.0697-5.016<0.001—Model kesişmesi
Kentsel ikametgah1.29210.43962.940.00333.64 (1.54–8.62)Kentsel vs kırsal (referans)
Erkek cinsiyet-1.52150.6395-2.3790.01740.22 (0.06–0.76)Erkek vs kadın (referans)
Temel BMQ-NCD0.52110.09955.238<0.0011.68 (1.39–2.05)Her 1 puanlık artış
Temel Aile APGAR0.68870.18473.728<0.0011.99 (1.39–2.86)Her 1 puanlık artış

Tablo 3: 180. günde iyi uyum için tam çok değişkenli lojistik regresyon spesifikasyonu (N = 191). Tablo, nihai çok değişkenli lojistik regresyon modeli için kesişme ve regresyon katsayıları, standart hatalar, Wald istatistikleri, P-değerleri, ayarlanmış OR'lar ve %95 güven aralıklarını bildirmektedir. İyi uyum 1 olarak kodlanır, kötü uyum ise 0 olarak kodlanır. Ikamet oranı Kentsel = 1 ile Kırsal = 0; cinsiyet Erkek = 1 vk Kadın = 0; 30. gün BMQ-NCD ve 30. gün Aile APGAR bir puanlık artışa göre modellenmiştir.

Ek Şekil 1: Uzunlamasına ilaç uyum çalışması için katılımcı akışı ve kohort seçimi.Bu dosyayı indirmek için lütfen buraya tıklayın.

Ek Dosya 1: Tam analitik veri seti. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Bu çalışma, standartlaştırılmış uzunlamasına telefon protokolünü tanımlıyor ve iskemik felç sonrası 180. gün kendi bildirilen ilaç uyumu için 30. gün tahmin modeli geliştiriyor. Üç bulgu merkezdedir. İlk olarak, iyi uyum oranı 30. günde %84,3'ten 90. günde %77,0'a ve 180. günde %72,8'e düştü. İkinci olarak, BMQ-NCD ve Aile APGAR puanları da planlanan değerlendirmeler boyunca azaldı. Üçüncü olarak, kentsel ikamet, cinsellik, 30. gün BMQ-NCD ve 30. gün Aile APGAR, önceden belirlenmiş 30. gün tahmin modelinde 180. güne bağlılıkla ilişkilendirildi. Bu bulgular, taburcu sonrası tekrarlanan değerlendirmeyi desteklerken, nedensel değil, betimleyici ve içsel öngörücü kalmaktadır.

İyi bağlılık prevalansındaki azalma, taburcu olduktan sonra ikincil önleme ilaçlarıyla devam edebileceğini gösteren önceki inme araştırmalarıyla tutarlıdır 17,18,19,20. Katılımcıların çoğu iyi uyum kategorisinde kaldı, en büyük değişen grup ise iyiden kötüye bağlılığa geçti. Bu desen, tatmin edici erken mülakatın sürekli ilaç kullanımının kanıtı olarak değerlendirilmemesi gerektiğini göstermektedir. Klinik olarak, 90. gün yeniden değerlendirmesi, hemen iyileşme sürecinden sonra davranışları değişen hastaları tespit edebilir ve 180. gün mülakatı rejim karmaşıklığı, yan etkiler, erişim engelleri ve bakım verenin katılımını daha sonra gözden geçirmek için fırsat sunar.

Önemli bir metodolojik katkı, üç örtüşmeyen geri çağırma penceresinin ayrılmasıdır: 1–30. günler, 31–90. günler ve 91–180. günler. Bu yaklaşım, katılımcılardan defalarca tüm taburcu sonrası dönemi yeniden yapılandırmalarını istemekten kaçınır ve her tahmini belirli bir aralıkla ilişkilendirir. Maruziyet-gün ağırlıklı kompozit, farklı reçete sürelerine sahip ilaç sınıflarını da kapsar. Yine de, bu oran kendi bildirdiği sınıf bağlılığı günlerinin bir oranı olmaya devam ediyor, eczaneden kaynaklı PDC değil. Hatırlama hatası ve sosyal arzu eğilimi bu nedenle tüketimin fazla tahmin edilmesini sağlayabilir. Gözlemlenen yüzdeler, ilacın verildiğine veya alındığına dair nesnel doğrulama yerine yapılandırılmış mülakat tahminleri olarak yorumlanmalıdır.

Boylamasına BMQ-NCD bulguları, bağlılık desenine olası bir psikososyal bağlam sağlar. BMQ-NCD, Gereklilik puanı çıkar Endişeler puanıdır ve bu nedenle algılanan ihtiyaç ile endişe arasındaki göreceli dengeyi temsil eder; küresel bir BMQtoplamı 25,26,34 değil. Daha düşük bir değer, zayıf gereklilik inançlarını, daha güçlü kaygıları veya her ikisini de yansıtabilir. Tekrar uygulama, klinisyenlerin hangi bileşenin değiştiğini belirlemelerine ve danışmanlığı buna göre uyarlamalarına yardımcı olabilir, ancak mevcut analizler, inançlardaki değişikliklerin bağlılık değişikliklerinden önce mi olduğunu belirleyemiyor. Anket yanıtları sağlık durumu ve tedavi deneyiminden de etkilenebilir. Mekanik sonuçlar çıkarmadan önce eşya düzeyindeki kayıtlar ve tam Çin enstrümanı doğrulanmalıdır.

Aile APGAR da benzer şekilde, nesnel gözlemlenen bakım miktarından ziyade algılanan aile işlevselliğiniölçer 27,28. İnme iyileşme sürecinde, engellilik, günlük yaşam aktiviteleri, psikolojik sıkıntı, bakıcı yükü, ev içi roller ve kültürel olarak şekillenmiş beklentiler desteğin nasıl yaşandığınıdeğiştirebilir 35,36,37,38,39,40. Aile APGAR'ındaki düşüş, bu grup içindeki bir ilişki olarak tanımlanmalıdır; aile desteğinin kaçınılmaz olarak kötüleştiğine veya bağsızlığa yol açtığına dair kanıt olarak değil. Buna rağmen, bu sonuç, bakım verenin takip ve pratik destek ile tedavi rollerinin tekrar değerlendirilmesine katılımını destekler.

Revize edilen tahmin modeli, 30. gün takibinden sonra kullanılmak üzere tasarlanmıştır çünkü bu değerlendirmede iki psikososyal öngörücü toplanmıştır. 30. günden sonra yapılan taburcu sonrası ayaktan tedavi ziyaretleri, zamansal belirsizliği azaltmak için hariç tutuldu. 30. gün BMQ-NCD ve Aile APGAR puanlarının yükselmesi, 180. günde iyi uyum olasılığının artmasıyla ilişkilendirildi ve erken psikososyal yeniden değerlendirmenin potansiyel değerini destekledi. Taburcu sonrası ayaktan tedavi ziyaretleri, sonuç penceresiyle aynı zamana denk geldikleri ve zamansal belirsizlik yaratabileceği için hariç tutuldu. Kentsel ikamet, erişim, ilaç bulunabilirliği veya bakımın sürekliliğini temsil edebilir, ancak bu mekanizmalar ölçülmemiş ve konut nedensel olarak yorumlanmamalıdır. Daha yüksek başlangıç BMQ-NCD ve Aile APGAR puanları, iyi uyum olasılığını artırdı ve taburcu sırasında psikososyal değerlendirmenin potansiyel değerini destekledi. Erkek cinsiyeti daha düşük olasılıkla ilişkilendirildi, ancak bu katsayı istatistiksel olarak kırılgandır çünkü sadece beş kadın kötü uyum grubundaydı. Kalıntı karıştırma, az veri etkileri ve merkeze özgü bakım kalıpları hâlâ makul olarak görülüyor.

Görünürdeki AUC 0.879 ve iyimserlik düzeltilmiş AUC 0.867, 191 tam vaka içinde iyi ayrımcılığa işaret ediyor. Görünürdeki Brier puanı 0.118 ve iyimserlik düzeltilmiş kalibrasyon eğimi 0.923, tahmin hatası ve kalibrasyon hakkında tamamlayıcı bilgiler sağlar. Bootstrap düzeltmesi, model performansı geliştirme örneğinde değerlendirildiğinde iyimserliği azaltır, ancak taşınabilirliği sağlamaz. Bu tahminler, diğer modellere göre üstünlük, kaynak tahsisi için hazırlık veya klinik kararlar için doğrulanmış bir olasılık eşiği göstermez. Nomogram, uyumlu denklemin bir temsilidir. Hasta bakımını yönlendirmek için kullanılmadan önce bağımsız zamansal veya çoklu merkezli doğrulama, gerekirse yeniden kalibrasyon yapılması gerekir.

Son hesaplamalı çalışmalar, orijinal incelemede eksik olan yöntemleri ekliyor: yüksek boyutlu kanser verilerinde dengesizliğe duyarlı özellikseçimi 41, demanslı kişiler ve bakıcılar için mHealth desteği42, büyük tıbbi veritabanları için özellik seçmestratejileri 43, felç görülme tahmini için ADASIZN destekli derin öğrenme44 ve daha geniş makine öğrenimi sağlık izlemeçerçeveleri 45. Bunlar faydalı karşılaştırıcılardır, ancak tanık, yüksek boyutlu veya sensör odaklı hedefleri, 191 katılımcılı dört tahminci takılış modelimizden farklıdır. Gelecekteki dış veri setleri, önceden belirlenmiş lojistik regresyonu, cezalandırılmış ve makine öğrenimi yaklaşımlarıyla karşılaştırmalı, kalibrasyon ve klinik faydayı raporlamalı.

Bulguların kapsamını birkaç sınırlama belirler. Tek merkezli kolaylık örneklemi genellenebilirliği sınırlıyor ve tam vaka analizi, takip tamamlamayan 210 katılımcıdan 19'unu hariç tuttu; akışları belgelenmiş olsa da, attrisiyon yanlılığı hâlâ mümkün ve herhangi bir sonuç değeri atatılmamıştır. Üç değerlendirme noktası kısa vadeli dalgalanmaları yakalanamaz ve 180 günlük ufuk uzun vadeli kalıcılığı veya tekrarlayan damar sonuçlarını tanımlamaz. Kendi raporu, dağıtım verileri, hap sayıları veya elektronik izleme ile çapraz doğrulama yapılmadı. Örneklem ayrıca ayrıntılı alt grup analizini sınırlar ve seyrek kategoriler için kararsız katsayılar verebilir. Güçlü yönleri arasında örtüşmeyen aralıklar, açık çoklu ilaç kuralları, önceden tanımlanmış demografik ve 30. gün psikososyal öngörücülerinin kullanımı ve kendi içsel doğrulama yer alır. Gelecekteki çalışmalar, mülakatları doldurma veya elektronik ölçümlerle ilişkilendirmeli, katılımcı tipini belgelemeli, takibi 12 aya kadar uzatmalı ve modeli bağımsız gruplar halinde değerlendirmeli.

Sonuç

Sonuç olarak, bu protokol taburcu sonrası üç değerlendirme ve dört önceden tanımlanmış klinik ve psikososyal öngörücüyle sınırlı yorumlanabilir bir gün-180 modeli tanımlar. Model, tam vaka kohortunda umut vadeden iç performansı gösterdi ancak klinik uygulamadan önce bağımsız dış doğrulama gerektiriyor.

Açıklamalar

Tüm yazarlar çıkar çatışması açıklamamıştır.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
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/)

Kaynaklar

  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.

Yeniden basım ve izinler

Etiketler

kincil nlemeKendi Bildirimli UyumLojistik ModelAile APGARBMQ SpesifikKentsel Yerle im
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.