Predictors of Lost to Follow Up (LTFU) among HIV Positive Patients Enrolled in 70 PEPFAR Supported Treatment Facilities in Edo, Bayelsa and Lagos States, Nigeria
Notice bibliographique
Résumé
This retrospective cross-sectional study examined demographic factors that predict Lost to Follow-up (LTFU) among HIV-positive patients on treatment based on patient-level data from 2000 to 2021 from 70 the President's Emergency Plan for AIDS Relief (PEPFAR)-supported facilities in Edo, Lagos and Bayelsa states of Nigeria. A total of 32,910 patients were identified for the descriptive analysis, although only 26,797 were included in the final model due to missing values for certain variables. Descriptive statistics describe the basic features of the data, while logistic regression identified patient characteristics at ART initiation that predicted LTFU. A stepwise forward and backward regression were used to select the variables to include in the model. Despite improving adherence in each cohort initiated since 2005, a large proportion of patients (72%) were LTFU between 2005 and 2015. However, thereafter (2016 to 2020) Anti-Retroviral Therapy (ART)’s adherence improved with the average retrospective cumulative LFTU dropping to 27% for the period. The predictive analysis suggests the following patient variables are significantly associated with LTFU at 95% CI: Patients initiated prior to 2018 were 57% more likely to become LTFU. HIV patients who reported post-secondary education as their highest education level were twice as likely to become LTFU in comparison to those with no education. Compared to their counterparts aged 25+, the patients’ ages 0-19 and 20-24 subset are less likely to become LTFU. HIV patients who were divorced or separated were about 1.3 times more likely to be LTFU compared to their married counterparts. The tendency to be LTFU increases at WHO stage 2 and decreases as the patient’s WHO clinical stage progresses from stage 3 to stage 4. Lastly, patients in Edo were 23 times more likely to become LTFU, while patients in Lagos were 4 times more likely to become LTFU compared to their Bayelsa counterparts.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».