Non-adherence to antiretroviral treatment and associated factors among people living with HIV in Iran: a retrospective cohort study
Notice bibliographique
Résumé
Introduction:Although combination of antiretroviral therapy (cART) has been successful in improving health outcomes of people living with HIV (PLWH), optimal treatment adherence is required to maintain the benefits.This study aimed to determine factors associated with treatment non-adherence among PLWH in Iran. Material and methods:In this cohort study, we included 988 PLWH (1997PLWH ( -2017) ) living in Southern Iran, Fars Province.Required demographic and clinical data was collected from patients' files.Non-adherence was defined by a physician of the center as skipping a visit or less than 90% intake of prescribed medicines (antiretroviral drugs) in the month preceding to the date of data collection.Results: Of the 988 participants, 70.54% were males.Mean (SD) age of the participants was 35.80 (SD = 8.58) years and treatment non-adherence was found in 17.81% of patients (n = 176).Multiple regression model showed that injection drug use (IDU) (AOR = 2.53, 95% CI: 1.11-5.74%),and history of incarceration (AOR = 4.20, 95% CI: 1.65-10.66%)increased the likelihood of treatment non-adherence, while taking medications for pneumocystis pneumonia (AOR = 0.34, 95% CI: 0.22-0.52%),duration of being under ART (AOR = 0.13, 95% CI: 0.08-0.21%)for 1-5 years, and (AOR = 0.06, 95% CI: 0.02-0.16%)for more than 5 years, decreased the likelihood of treatment non-adherence. Conclusions:These findings show that one in five PLWH did not adhere to cART.On the other hand, the likelihood of non-adherence was directly associated with IDU and incarceration history.Based on the results, tailored programs should be developed to improve adherence among individuals with a history of IDU or incarceration.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».