ABSTRACT
The provision of ART in South Africa has transformed the HIV epidemic, resulting in an increase in life expectancy by over 10 years. Despite this, nearly 2 million people living with HIV are not on treatment. The objective of this study was to develop and externally validate a practical risk assessment tool to identify people with HIV (PWH) at highest risk for attrition from care after testing. A machine learning model incorporating clinical and psychosocial factors was developed in a primary cohort of 498 PWH. LASSO regression analysis was used to optimize variable selection. Multivariable logistic regression analysis was applied to build a model using 80% of the primary cohort as a training dataset and validated using the remaining 20% of the primary cohort and data from an independent cohort of 96 participants. The risk score was developed using the Sullivan and D'Agostino point based method. Of 498 participants with mean age 35.7 years, 192 (38%) did not initiate ART after diagnosis. Controlling for site, factors associated with non-engagement in care included being < 35 years, feeling abandoned by God, maladaptive coping strategies using alcohol or other drugs, no difficulty concentrating, and having high levels of confidence in one's ability to handle personal challenges. An effective risk score can enable clinicians and implementers to focus on tailoring care for those most in need of ongoing support. Further research should focus on potential strategies to enhance the generalizability and evaluate the implementation of the proposed risk prediction model in HIV treatment programs.
RESUMEN: La provisión de TAR (Terapia Antirretroviral) en Sudáfrica ha transformado la epidemia del VIH, resultando en un aumento de la esperanza de vida de más de 10 años. Los últimos objetivos de tratamiento del VIH se sitúan en 94-75-92, con brechas notables después de las pruebas. El objetivo de este estudio fue desarrollar y validar externamente una herramienta práctica de evaluación de riesgos para identificar a las personas con VIH (PVH) con mayor riesgo de deserción del cuidado después de las pruebas. Se desarrolló un modelo sencillo de aprendizaje automático que incorpora factores clínicos y psicosociales en una cohorte primaria de 498 PVH. Se utilizó el análisis de regresión LASSO para optimizar la selección de variables. Se aplicó un análisis de regresión logística multivariable para construir un modelo usando el 80% de la cohorte primaria como conjunto de datos de entrenamiento y validado usando el 20% restante de la cohorte primaria y datos de una cohorte independiente de 96 participantes. El puntaje de riesgo se desarrolló utilizando el método basado en puntos de Sullivan y D'Agostino. De los 498 participantes con una edad media de 35,7 años, 192 (38%) no iniciaron TAR después del diagnóstico. Controlando por sitio, los factores asociados con la no participación en el cuidado incluyeron tener menos de 35 años, sentirse abandonado por Dios, estrategias de afrontamiento desadaptativas usando alcohol u otras drogas, no tener dificultades para concentrarse y tener altos niveles de confianza en la capacidad de manejar desafíos personales. Un puntaje de riesgo efectivo puede permitir a los clínicos y ejecutores enfocarse en personalizar el cuidado para aquellos que más necesitan apoyo continuo. Las investigaciones futuras deben centrarse en estrategias potenciales para mejorar la generalización y evaluar la implementación del modelo de predicción de riesgo propuesto en los programas de tratamiento del VIH.