Construct validation of a Frailty Index, an HIV Index and a Protective Index from a clinical HIV database
Notice bibliographique
Résumé
BACKGROUND: Standard care for HIV clinical practice has started focusing on age-related problems, but despite this recent change physicians involved in HIV care do not often screen HIV patients for frailty. Our aim was to construct three indexes from an HIV clinical database (i.e. Frailty Index, (FI), HIV Index, (HIVI), and Protective Index (PI)) and to assess levels of frailty, HIV severity and demographic and protective lifestyle factors among HIV patients. METHODS AND FINDINGS: We included data from 1612 patients who attended an Italian HIV clinic between September 2016 and December2017 (mean±SD age: 53.1±8 years, 73.9% men).We used 92 routine variables collected by physicians and other health care professionals to construct three indexes: a 72-item FI (biometric, psychiatric, blood test, daily life activities, geriatric syndromes and nutrition data), a 10-item HIVI (immunological, viral and therapeutics) and a 10-item PI (income, education, social engagement, and lifestyle habits data)(the lower the FI and HIVI scores, and the higher the PI scores, the lower the risk for participants).The FI, HIVI and PI scores were 0.19±0.08, 0.48±0.17 and 0.62±0.13, respectively. Men had higher FI (0.19±0.08 vs 0.18±0.08; p = 0.010) and lower HIVI (0.47±0.18 vs 0.50±0.15; p = 0.038) scores than women. FI and HIVI scores both increased 1.9% per year of age (p < 0.001), whereas the PI decreased 0.2% per year (p<0.050). In addition, the FI score increased 1.6% and the PI score decreased 0.5% per year of HIV infection (p < 0.001). CONCLUSION: It is feasible to assess levels of frailty, HIV severity and protective lifestyle factors in HIV patients using data from a clinical database. Frailty levels are high among HIV patients and even higher among older patients and those with a long duration of HIV. Future studies need to examine the ability of the three indices to predict adverse health outcomes such as hospitalization and mortality.
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 | 0,011 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».