Development and External Validation of a Treatment-Adjusted Machine Learning Model for Precision Allocation of Group-Based Depression Care Among People Living with HIV in Uganda.
Notice bibliographique
Résumé
Background: Group-based depression care is widely used in HIV services in Uganda, yet some patients remain symptomatic following treatment. We developed and externally validated a treatment-adjusted machine learning model to support risk-informed group-based depression care for people living with HIV(PLWH). Methods: We analyzed data from 1,140 adults living with HIV and significant depression symptoms enrolled across 30 HIV clinics in the SEEK-GSP trial (PACTR201608001738234). Participants received either Group Support Psychotherapy (GSP) or Group HIV Education (GHE). The primary outcome was six-month depression non-remission, defined as Self-Reporting Questionnaire (SRQ) score ≥ 6 and a functional impairment score < 9. Three machine learning models (Elastic Net, Random Forest, and XGBoost) were trained on baseline data from Gulu and Kitgum and externally validated in Pader district data. Model performance was assessed using the area under the receiver operating characteristic curve (AUC), accuracy, sensitivity, specificity, calibration slope, intercept, Brier score and decision curve analysis. Sensitivity analyses excluding treatment assignment were conducted to assess the predictive value of baseline characteristics alone. Results: Treatment-adjusted models consistently outperformed treatment-excluded models. In external validation, the parsimonious XGBoost model showed the best overall performance (AUC 0.947), compared with Elastic Net (0.924) and Random Forest (0.918), and demonstrated clinical net benefit across relevant decision thresholds. Following Platt-recalibration, XGBoost showed the best overall performance, preserving strong discrimination (AUC 0.940) while improving the Brier score from 0.174 to 0.113 and the calibration slope from 7.533 to 1.093. Treatment assignment was the dominant predictor of depression non-remission risk, while age, HIV-related stigma, acceptance coping, socioeconomic vulnerability, low social support, and trauma-related symptoms also contributed to prediction. Conclusion: The externally validated, Platt-recalibrated parsimonious treatment-adjusted XGBoost model provides a promising approach to identifying people living with HIV at increased risk of depression non-remission and informing enhanced care following group-based depression treatment.
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 | 0,033 | 0,047 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».