Characterizing Treatment Adherence Trajectories in the endTB Multisite Cohort of Drug-Resistant Tuberculosis Patients: An Application of Group-Based Trajectory Modeling
Notice bibliographique
Résumé
BACKGROUND: In tuberculosis (TB) care, adherence is often assessed using a simple 80% threshold, which may overlook meaningful patterns. We analyzed adherence trajectories among individuals treated for rifampicin- or multidrug-resistant TB (RR/MDR-TB) in the endTB observational study to identify more informative patterns. METHODS: We applied a joint latent class mixed model to classify adherence trajectories and assess their relationship with treatment outcomes. Model performance was compared to common classification methods (eg 80% adherence threshold) using Kendall's τb and area under the receiver operating curve for predicting unsuccessful outcomes. RESULTS: Among 1787 individuals, we identified 4 adherence patterns: "consistently high" (72.5%), "high to low" (14.3%), "low to high" (7.3%), and "consistently low" (5.9%). Compared to the "consistently high" group, those in "high to low" (hazard ratio [HR] = 23.2; 95% confidence interval [CI]: 15.7-24.3) and "consistently low" (HR = 43.2; 95% CI: 26.2-71.5) groups had significantly higher risk of unsuccessful outcomes, while the "low to high" group did not (HR = 0.7; 95% CI: .1-3.8). Our trajectory model more accurately predicted outcomes than common classification methods (P < .01). CONCLUSIONS: Group-based trajectory modeling provides more nuanced insights into adherence patterns than conventional classification methods. Our findings demonstrate that patients with RR/MDR-TB who exhibited initial poor adherence followed by subsequent improvement achieved clinical outcomes comparable to those with consistently high adherence throughout treatment. This finding challenges the prevailing assumption that sustained high adherence is necessary for treatment success, suggesting that adherence patterns, rather than overall adherence rates, may be more predictive of clinical outcomes in the management of RR/MDR-TB.
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 | 0,007 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 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) | 0,001 | 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 ».