Beating the Placebo in HIV Prevention Efficacy Trials
Notice bibliographique
Résumé
OBJECTIVES: To produce an effect on the HIV epidemic, preventive interventions need to achieve a minimum level of efficacy to offset potential indirect effects such as an increase in risky behavior. The current generation of HIV prevention trials on oral preexposure prophylaxis and on vaginal microbicides were designed using different set points for minimum individual-level efficacy (MIE). Some trials were designed not only to show superiority over placebo but also to rule out lower efficacies. The MIE has a substantial impact on the size and cost of a trial. Ideally, the MIE should be chosen to reduce uncertainty in the estimation of population-level effects. In this article, we investigate the effect of MIE on estimates of population-level impact to better inform trial design. METHODS: We used mathematical model simulations assuming various rates of efficacy obtained from trials and different MIEs to study the impact of wide-scale interventions on 2 public health indicators. RESULTS: Implementation factors were the main drivers of uncertainty in public health indicators for an intervention, although MIE also contributed. The level of uncertainty introduced by the MIE was substantially lower than that of the other factors. CONCLUSIONS: Investigators in clinical trials have set the MIE solely on the basis of potential public health impact. However, the substantial increase in trial costs associated with a large MIE is unlikely to be justified. These additional funds would be better spent in evaluating more critical implementation factors that cannot be assessed in clinical trials.
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 | 0,416 | 0,604 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,009 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,015 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».