目的探讨帕金森病患者服药依从性轨迹及其影响因素。方法选择2020年10月—2021年6月滁州市5个社区招募的140例原发性帕金森病患者,进行12个月随访调查。调查工具包括社会资料调查表、临床资料调查表和Morisky服药依从性量表。通过潜类...目的探讨帕金森病患者服药依从性轨迹及其影响因素。方法选择2020年10月—2021年6月滁州市5个社区招募的140例原发性帕金森病患者,进行12个月随访调查。调查工具包括社会资料调查表、临床资料调查表和Morisky服药依从性量表。通过潜类别增长模型(Latent Class Growth Model,LCGM)识别患者服药依从性轨迹,利用有序多分类Logistic回归分析影响轨迹的因素。结果本研究共纳入127例患者,根据服药依从性轨迹可分为“高-稳定型”(11.8%)、“中-降低型”(28.4%)和“低-降低型”(59.8%)。单组重复测量方差分析显示,高-稳定型轨迹不同时间点服药依从得分差异无统计学意义(P>0.05),但中-降低型和低-降低型轨迹不同时间点服药依从得分差异有统计学意义(均P<0.05)。有序多分类Logistic回归显示,文化程度(P=0.022,OR=19.665,95%CI=1.536-251.817)、工作状态(P=0.004,OR=10.285,95%CI=2.082-50.814)、用药种类(P=0.022,OR=8.356,95%CI=1.356-51.498)和智力状态(P=0.017,OR=15.551,95%CI=1.628-148.497)是服药依从性轨迹的预测因素。结论帕金森病患者服药依从性可分为3种变化轨迹,文化程度、工作状态、用药种类和智力状态是影响服药依从性轨迹的主要因素。展开更多
目的探讨潜变量增长混合模型(latent growth mixture modeling,GMM)和潜类增长模型(latent class growth model,LCGM)在识别儿童体重增长变化潜在类别上的应用。方法以大连市932名6~12岁学龄儿童的体检纵向数据为例。运用Mplus8.3软件...目的探讨潜变量增长混合模型(latent growth mixture modeling,GMM)和潜类增长模型(latent class growth model,LCGM)在识别儿童体重增长变化潜在类别上的应用。方法以大连市932名6~12岁学龄儿童的体检纵向数据为例。运用Mplus8.3软件构建不同性别儿童体质指数(body mass index,BMI)变化的GMM和LCGM模型。结果LCGM模型对男女学龄儿童的生长轨迹均识别出3个增长趋势不同的亚组:“稳定组”、“肥胖组”、“偏瘦组”;GMM模型对男性学龄儿童的生长轨迹识别出2个增长趋势不同的亚组:“稳定增长组”和“肥胖增长组”。结论GMM和LCGM模型可以识别学龄儿童BMI发展轨迹的异质性,拓展了描述儿童体重动态变化的方法研究。展开更多
文摘目的探讨帕金森病患者服药依从性轨迹及其影响因素。方法选择2020年10月—2021年6月滁州市5个社区招募的140例原发性帕金森病患者,进行12个月随访调查。调查工具包括社会资料调查表、临床资料调查表和Morisky服药依从性量表。通过潜类别增长模型(Latent Class Growth Model,LCGM)识别患者服药依从性轨迹,利用有序多分类Logistic回归分析影响轨迹的因素。结果本研究共纳入127例患者,根据服药依从性轨迹可分为“高-稳定型”(11.8%)、“中-降低型”(28.4%)和“低-降低型”(59.8%)。单组重复测量方差分析显示,高-稳定型轨迹不同时间点服药依从得分差异无统计学意义(P>0.05),但中-降低型和低-降低型轨迹不同时间点服药依从得分差异有统计学意义(均P<0.05)。有序多分类Logistic回归显示,文化程度(P=0.022,OR=19.665,95%CI=1.536-251.817)、工作状态(P=0.004,OR=10.285,95%CI=2.082-50.814)、用药种类(P=0.022,OR=8.356,95%CI=1.356-51.498)和智力状态(P=0.017,OR=15.551,95%CI=1.628-148.497)是服药依从性轨迹的预测因素。结论帕金森病患者服药依从性可分为3种变化轨迹,文化程度、工作状态、用药种类和智力状态是影响服药依从性轨迹的主要因素。
文摘目的探讨潜变量增长混合模型(latent growth mixture modeling,GMM)和潜类增长模型(latent class growth model,LCGM)在识别儿童体重增长变化潜在类别上的应用。方法以大连市932名6~12岁学龄儿童的体检纵向数据为例。运用Mplus8.3软件构建不同性别儿童体质指数(body mass index,BMI)变化的GMM和LCGM模型。结果LCGM模型对男女学龄儿童的生长轨迹均识别出3个增长趋势不同的亚组:“稳定组”、“肥胖组”、“偏瘦组”;GMM模型对男性学龄儿童的生长轨迹识别出2个增长趋势不同的亚组:“稳定增长组”和“肥胖增长组”。结论GMM和LCGM模型可以识别学龄儿童BMI发展轨迹的异质性,拓展了描述儿童体重动态变化的方法研究。