Determinants of adherence to highly active antiretroviral therapy among HIV-1-infected patients in Côte d'Ivoire
Notice bibliographique
Résumé
OBJECTIVE: To assess adherence to HAART and to determine factors associated with poor adherence among HIV-1-infected patients in Abidjan, Côte d'Ivoire. METHODS: A prospective observational study of 614 consecutive patients attending an HIV/AIDS outpatient clinic. Adherence was measured twice at 3-month intervals by self-report of missing doses over 4 days. An adherence level of less than 95% was defined as poor adherence. We used generalized estimating equation models for binomial distribution with repeated measures for data analysis. RESULTS: Of the 591 subjects who completed the study, 74.3% reported adherence levels of 95% or greater. Six factors were independently related to poor adherence: age less than 35 years [relative risk (RR) 1.45; 95% confidence interval (CI) 1.17-1.79], absence of social support (RR 1.66; 95% CI 1.24-2.24), number of daily pills 10 or more (RR 1.47; 95% CI 1.14-1.91), time of adherence assessment (first versus second time assessment RR 1.36; 95% CI 1.12-1.66), CD4 cell count of 250 cells/mul or greater (RR 1.43; 95% CI 1.10-1.88), and not being less worried about HIV infection now that treatments have improved (RR 1.26; 95% CI 1.01-1.58). Drug supply interruptions in the pharmacies were reported by 10.0% of the non-adherent patients as the reason for missing pills. CONCLUSION: Psychosocial factors were found to impact adherence and should be analysed in more detail by further studies. Scaling up antiretroviral therapy in sub-Saharan Africa should be preceded by reliable drug supply and distribution systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».