Factors associated with engagement in HIV care for young people living with perinatally acquired HIV in England: An exploratory observational cohort study
Notice bibliographique
Résumé
Identifying which young people living with perinatally acquired HIV (PHIV) are less likely to engage in care is crucial to allow targeted interventions to support them to attend clinic. We adapted an existing Engagement in Care (EIC) algorithm for adults with HIV in England, for use in young people. We applied it to data from young people with PHIV in the Adolescents and Adults Living with Perinatal HIV (AALPHI) cohort. The algorithm predicts the timing of the next scheduled clinic visit, within 1-6 months of current visit, based on routine clinical data. Follow-up was 12-months from AALPHI baseline interview. Each person-month was classified as engaged in care or not. Logistic regression models (allowing for clustered data) were used to explore baseline characteristics associated with being engaged in care, adjusting for a priori variables (time from interview, sex, age, ethnicity, country of birth). Potential characteristics were across 7 domains: sociodemographic; risk behaviour practices; mental health; cognition; clinic setting; HIV management and experience; and HIV clinical markers. Of 316 young people, 187(59%) were female, 271(86%) of black ethnicity and 184(58%) born abroad. At baseline, median [IQR] age was 17[15-18] years, and 202(69%) had viral load ≤50 copies/ml(c/mL). 87% of 3,585 person-months were classified as engaged in care. Characteristics independently associated with poorer odds of being engaged in care were: Asian/mixed/other ethnicity, vs. black ethnicity (OR 0.44, 95% CI 0.25, 0.78, p = 0.02); ever self-harmed, vs. not (OR 0.55, 95% CI 0.32, 0.95, p = 0.03); on antiretroviral therapy (ART) and self-assessed bad/not so good adherence (OR 0.46, 95% CI 0.25, 0.84) or not on ART (OR 0.64, 95% CI 0.64, 1.21) vs. on ART and good/excellent adherence (p = 0.04)); baseline VL>50c/mL, vs VL≤50c/mL (OR 0.47, 95% CI 0.30, 0.75, p = 0.002). These characteristics can help identify individuals requiring enhanced support to maintain service engagement.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».