Identifying Risk of Viral Failure in Treated HIV-Infected Patients Using Different Measures of Adherence: The Antiretroviral Therapy Cohort Collaboration
Notice bibliographique
Résumé
Adherence to antiretroviral therapy (ART) is critical for successful treatment of Human Immunodeficiency Virus (HIV), but comparisons across settings are difficult because adherence is measured in different ways. We examined utility of different adherence measures for identification of patients at risk of viral failure (VF). Eight cohorts in the ART Cohort Collaboration contributed data from pharmacy refills or self-report questionnaires collected between 1996 and 2013 (N = 11689). For pharmacy data (N = 7156), we examined associations of percentage adherence during the 1st year of ART with VF (>500 copies/mL) at 1 year. For self-report data (N = 4533), we examined 28-day adherence with VF based on closest viral load measure within 6 months after questionnaire date. Since adherence differed markedly by measurement type, we defined different cut-off points for pharmacy (lower <45%, medium 45–99%, higher 100%) and self-report (lower ≤95%, medium 96–99%, higher 100%) data. Adjusted odds ratios (ORs) for VF in lower and medium, compared to higher adherence groups, were 23.04 (95% CI: 18.44–28.78) and 3.84 (3.36–4.39) for pharmacy data. For self-report data, they were 3.19 (2.31–4.40) and 1.08 (0.80–1.46). Both types of measure were strongly associated with VF. Although adherence measurements over longer time-frames are preferable for prediction, they are less useful for intervention.
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 | 0,022 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».