The economics of scaling up: cost estimation for HIV/AIDS interventions
Notice bibliographique
Résumé
BACKGROUND: The scaling up of HIV/AIDS programming has been one of the most extensive undertakings in international public health. Yet decision-makers are encountering significant uncertainties about financing and the need to understand programming costs at different scales of delivery. OBJECTIVES: To review the economic methodologies for examining costs and variation by scale. To summarize and synthesize the current evidence related to the provision of HIV/AIDS interventions and scaling up. METHODS: We used a review of economic methodologies to generate a conceptual framework for classifying existing data, looking at both short-run and long-run perspectives. A review of the literature was performed using PubMed and available grey literature. Factors facilitating comparison and generalizability are highlighted. RESULTS: There is growing evidence of scale variation among the costs of HIV/AIDS interventions. Scale variation has been found to explain 26-70% of cost variation across locations for similar interventions. Average costs may become larger or smaller as the volume of services expands, depending on the level of coverage and type of intervention. Key constraints to scaling up include infrastructure investments and cost results need to be interpreted in this light. CONCLUSIONS: Evidence to date suggests that cost efficiencies associated with scale may reflect different ways of delivering services at higher volumes, including lower quality outputs. There is still, however, an extremely limited economic evidence base and mechanisms to integrate economic analyses into routine programme monitoring are recommended.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».