MétaCan
Menu
Retour à la cohorte
Enregistrement W2082540690 · doi:10.1007/s10461-013-0416-1

A Study of Financial Incentives to Reduce Plasma HIV RNA Among Patients in Care

2013· article· en· W2082540690 sur OpenAlexfundno aff
Steven Farber, Janet Tate, Cyndi Frank, David Ardito, Michael J. Kozal, Amy C. Justice, R. Scott Braithwaite

Notice bibliographique

RevueAIDS and Behavior · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV/AIDS Research and Interventions
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Alcohol Abuse and AlcoholismYork UniversityNYU Langone Medical CenterHealth Services Research and DevelopmentU.S. Department of Veterans Affairs
Mots-clésViral loadIncentiveHealth psychologyMedicinePsychological interventionIntervention (counseling)ComprehensionPublic healthEmergency medicineIntensive care medicineFamily medicineInternal medicineHuman immunodeficiency virus (HIV)NursingEconomicsMicroeconomicsComputer science

Résumé

récupéré en direct d'OpenAlex

The role of financial incentives in HIV care is not well studied. We conducted a single-site study of monetary incentives for viral load suppression, using each patient as his own control. The incentive size ($100/quarter) was designed to be cost-neutral, offsetting estimated downstream costs averted through reduced HIV transmission. Feasibility outcomes were clinic workflow, patient acceptability, and patient comprehension. Although the study was not powered for effectiveness, we also analyzed viral load suppression. Of 80 eligible patients, 77 consented, and 69 had 12 month follow-up. Feasibility outcomes showed minimal impact on patient workflow, near-unanimous patient acceptability, and satisfactory patient comprehension. Among individuals with detectable viral loads pre-intervention, the proportion of undetectable viral load tests increased from 57 to 69 % before versus after the intervention. It is feasible to use financial incentives to reward ART adherence, and to specify the incentive by requiring cost-neutrality and targeting biological outcomes.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,323
Écart entre enseignants0,304 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIDS and BehaviorMême sujetHIV/AIDS Research and InterventionsTravaux en français237 207