Modelling the Impact of Antiretroviral Therapy on the Epidemic of HIV
Notice bibliographique
Résumé
Thirty years after HIV first appeared it has killed close to 30 million people but transmission continues unchecked. In 2009, an estimated 1.8 million lives were lost and 2.6 million more people were infected with HIV [1]. To cut transmission, many social, behavioural and biomedical interventions have been developed, tested and tried but have had little impact on the epidemic in most countries. One substantial success has been the development of combination antiretroviral therapy (ART) that reduces viral load and restores immune function. This raises the possibility of using ART not only to treat people but also to prevent new HIV infections. Here we consider the impact of ART on the transmission of HIV and show how it could help to control the epidemic. Much needs to be known and understood concerning the impact of early treatment with ART on the prognosis for individual patients and on transmission. We review the current literature on factors associated with modelling treatment for prevention and illustrate the potential impact using existing models. We focus on generalized epidemics in sub- Saharan Africa, with an emphasis on South Africa, where transmission is mainly heterosexual and which account for an estimated 17% of all people living with HIV. We also make reference to epidemics among men who have sex with men and injection drug users where appropriate. We discuss ways in which using treatment as prevention can be taken forward knowing that this can only be the beginning of what must become an inclusive dialogue among all of those concerned to stop acquired immune deficiency syndrome (AIDS).
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».