Development of Frail RISC-HIV: a Risk Score for Predicting Frailty Risk in the Short-term for Care of People with HIV
Notice bibliographique
Résumé
OBJECTIVE: Frailty is common among people with HIV (PWH), so we developed frail risk in the short-term for care (RISC)-HIV, a frailty prediction risk score for HIV clinical decision-making. DESIGN: We followed PWH for up to 2 years to identify short-term predictors of becoming frail. METHODS: We predicted frailty risk among PWH at seven HIV clinics across the United States. A modified self-reported Fried Phenotype captured frailty, including fatigue, weight loss, inactivity, and poor mobility. PWH without frailty were separated into training and validation sets and followed until becoming frail or 2 years. Bayesian Model Averaging (BMA) and five-fold-cross-validation Lasso regression selected predictors of frailty. Predictors were selected by BMA if they had a greater than 45% probability of being in the best model and by Lasso if they minimized mean squared error. We included age, sex, and variables selected by both BMA and Lasso in Frail RISC-HIV by associating incident frailty with each selected variable in Cox models. Frail RISC-HIV performance was assessed in the validation set by Harrell's C and lift plots. RESULTS: Among 3170 PWH (training set), 7% developed frailty, whereas among 1510 PWH (validation set), 12% developed frailty. BMA and Lasso selected baseline frailty score, prescribed antidepressants, prescribed antiretroviral therapy, depressive symptomology, and current marijuana and illicit opioid use. Discrimination was acceptable in the validation set, with Harrell's C of 0.76 (95% confidence interval: 0.73-0.79) and sensitivity of 80% and specificity of 61% at a 5% frailty risk cutoff. CONCLUSIONS: Frail RISC-HIV is a simple, easily implemented tool to assist in classifying PWH at risk for frailty in clinics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».