Predictors of loss to follow-up among HIV-infected patients in a rural South-Eastern Nigeria Hospital: A 5-year retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Patient attrition has been a challenge in managing HIV programs in resource-limited settings. AIM: This study reviews the predictors of loss to follow-up (LTFU) in our hospital and suggests the best practices for dealing with the issue. SUBJECTS AND METHODS: A 5-year retrospective cohort study of 1256 HIV-infected patients. Baseline CD4 counts, age, gender, year of enrolment, and antiretroviral therapy combination regimen were considered in this study. Kaplan-Meier models were used to estimate the univariate time-to-LTFU and Cox proportional hazards models to identify the multivariate predictors of LTFU. RESULTS: Twenty-four percent (23.9% [301/1256]) of patients were lost to follow-up. Baseline CD4 count, year of enrolment, and drug combination were significant predictors of LTFU. Patients enrolled earlier (2008/2009) were twice as likely to be LTFU compared with those enrolled later (2010-2013). Gender and age did not significantly predict LTFU nor confound other predictors. CONCLUSION: The program showed higher LTFU rates than most studies in Nigeria and Africa, maybe due to difficulties with the access to the hospital and possible treatment fatigue. This study recommends the provision of transportation subsidies and proactive patient follow-up with "peer-tracking" to reduce LTFU among HIV infected patients, especially in resource-limited settings.
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 | 0,013 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».