在美国大型临床队列中开发并验证预测HIV医疗提供者访视缺失的多变量模型

背景 识别错过HIV医疗提供者访视的高风险个体可以支持主动干预。以往的错过访视预测模型未纳入个体层面之外的数据。 方法 我们在2010年至2016年期间，在艾滋病研究中心综合临床系统网络中，针对有≥1次随访访视的HIV感染者（PWH）开发了错过访视的预测模型。纳入了个体层面（病历数据和患者报告结局）、社区层面（美国社区调查）、HIV护理机构层面（标准化诊所领导力调查）和结构层面（HIV刑事定罪法律、医疗补助扩展和州艾滋病药物援助计划预算）的预测因子。模型使用随机森林和10折交叉验证开发；识别出具有最高曲线下面积（AUC）的候选模型。 结果 共纳入20807例PWH的382432次访视，中位随访3.8年；中位年龄44岁，81%为男性，37%为黑人，15%报告注射吸毒，57%报告男男性行为。最高AUC为0.76，最强的预测因子位于个体层面（既往访视依从性、年龄、CD4+计数）和社区层面（生活在贫困中的比例、失业比例和黑人比例）。简化模型（包含可在基于网络的计算器中轻松获得的变量）的AUC略低，为0.700。 结论 使用多水平数据验证的预测模型其AUC与仅使用个体层面数据开发的先前模型相似。最强的预测因子是个体层面变量，尤其是既往访视依从性，但社区层面变量也具有预测性。在没有额外数据的情况下，应优先对既往错过访视的PWH进行干预，以改善访视依从性。