Markers of poor adherence among adults with HIV attending Themba Lethu HIV Clinic, Helen Joseph Hospital, Johannesburg, South Africa
Notice bibliographique
Résumé
Background: To date, there is no consensus on ideal ways to measure antiretroviral treatment (ART) adherence in resource limited settings. This study aimed to identify markers of poor adherence to ART. Methods: Retrospective data of HIV-positive ART-naïve adults initiating standard first-line ART at Themba Lethu Clinic, Helen Joseph Hospital, Johannesburg, South Africa from April 2004 to December 2011 were analysed. Poisson regression models with robust error variance were used to assessed the following potential markers of poor adherence 'last self-reported adherence, missed clinic visits, mean corpuscular volume (MCV), CD4 count against definition of adherence, suppressed HIV viral load using traditional test metrics'. Results: A total of 11 724 patients were eligible; 1712 (14.6%) had unsuppressed viral load within 6 months after initiating ART. The main marker of poor adherence was a combination of change in CD4 count and MCV; change in CD4 ≥expected and change in MCV <14.5 fL (RR 2.82, 95% CI 2.16-3.67), change in CD4 <expected and change in MCV <14.5 fL (RR 5.49, 95% CI 4.13-7.30) compared to change in CD4 ≥expected and change in MCV ≥14.5 fL. Conclusions: A combination of less than expected increase in CD4 and MCV at 6 months after treatment initation was found to be a marker of poor adherence. This could help identify and monitor poor treatment adherence in the absence of viral load testing.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».