What Really Is a Concentrated HIV Epidemic and What Does It Mean for West and Central Africa? Insights From Mathematical Modeling
Notice bibliographique
Résumé
BACKGROUND: HIV epidemics have traditionally been classified as "concentrated" among key populations if overall HIV prevalence was below 1% and as "generalized" otherwise. We aimed to objectively determine the utility of this classification by determining how high overall HIV prevalence can reach in epidemics driven by unprotected sex work (SW) and how estimates of the contribution of SW to HIV transmission changes over time in these epidemics. METHODS: We developed a deterministic model of HIV transmission specific to West and Central Africa to simulate 1000 synthetic HIV epidemics, where SW is the sole behavioral driver that sustains HIV in the population (ie, truly concentrated epidemics), and it is based on a systematic extraction of model parameters specific to West and Central Africa. We determined the range of plausible HIV prevalence in the total population over time and calculated the population attributable fraction (PAF) of SW over different time periods. RESULTS: In 1988 and 2008, HIV prevalence across the 1000 synthetic concentrated HIV epidemics ranged (5th-95th percentile) between 0.1%-4.2% and 0.1%-2.8%, respectively. The maximum HIV prevalence peaked at 12%. The PAF of SW measured from 2008 over 1 year was <5%-18% compared with 16%-59% over 20 years in these SW-driven epidemics. CONCLUSIONS: Even high HIV-prevalence epidemics can be driven by unprotected SW and therefore concentrated. Overall, HIV prevalence and the short-term PAF are poor makers of underlying transmission dynamics and underestimate the role of SW in HIV epidemics and thus should not be used alone to inform HIV programs.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| 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 ».