Mobile Health Tool to Capture Social Determinants of Health and Their Impact on HIV Treatment Outcomes Among People Who Use Drugs: Pilot Feasibility Study
Notice bibliographique
Résumé
Background: Active substance use, food or housing insecurity, and criminal legal system involvement can disrupt HIV care for people living with HIV and opioid use disorder (OUD). These social determinants of health are not routinely captured in clinical settings. Objective: We evaluated whether real-time reports of social and behavioral factors using a smartphone app could predict viral nonsuppression and missed care visits to inform future mobile health interventions. Methods: We enrolled 59 participants from the AIDS Linked to the Intravenous Experience (ALIVE) Study in Baltimore, Maryland, into a 12-month substudy between February 2017 and October 2018. Participants were eligible if they had OUD and had either a measured HIV RNA ≥1000 copies/mL or a ≥1-month lapse in antiretroviral therapy in the preceding 2 years. Participants received a smartphone and reported HIV medication adherence, drug use or injection, and several disruptive life events, including not having a place to sleep at night, skipping a meal due to lack of income, being stopped by police, being arrested, or experiencing violence on a weekly basis, through a survey on a mobile health app. We described weekly survey completion and investigated which factors were associated with viral nonsuppression (HIV RNA ≥200 copies/mL) or a missed care visit using logistic regression with generalized estimating equations adjusted for age, gender, smartphone comfort, and drug use. Results: Participants were predominantly male (36/59, 61%), Black (53/59, 90%), and had a median of 53 years old. At baseline, 16% (6/38) were virally unsuppressed. Participants completed an average of 23.3 (SD 16.3) total surveys and reported missing a dose of antiretroviral therapy, using or injecting drugs, or experiencing any disruptive life events on an average of 13.1 (SD 9.8) weekly surveys over 1 year. Reporting use of any drugs (adjusted odds ratio [aOR] 2.3, 95% CI 1.4-3.7), injecting drugs (aOR 2.3, 95% CI 1.3-3.9), and noncompletion of all surveys (aOR 1.6, 95% CI 1.1-2.2) were associated with missing a scheduled care visit over the subsequent 30 days. Missing ≥2 antiretroviral medication doses within 1 week was associated with HIV viral nonsuppression (aOR 3.7, 95% CI: 1.2-11.1) in the subsequent 30 days. Conclusions: Mobile health apps can capture risk factors that predict viral nonsuppression and missed care visits among people living with HIV who have OUD. Using mobile health tools to detect sociobehavioral factors that occur prior to treatment disengagement may facilitate early intervention by health care teams.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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) | 0,004 | 0,001 |
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 ».