PrEP Adherence Patterns Strongly Affect Individual HIV Risk and Observed Efficacy in Randomized Clinical Trials
Notice bibliographique
Résumé
BACKGROUND: Randomized controlled trials (RCTs) suggest that the efficacy of tenofovir-based preexposure prophylaxis (PrEP) strongly depends on the consistency of PrEP use. We explore how the patterns of pill taking and waning of PrEP protection may affect PrEP efficacy for HIV prevention. METHODS: A 2-arm RCT was simulated by mathematical models assuming that the prescribed daily doses were skipped periodically, randomly, or in large blocks. Risk-driven adherence, in which PrEP was taken when sex was expected, was also investigated. Three temporal PrEP protection profiles were explored: long (5 days), intermediate (3 days), and short (24 hours). Modeling results were compared to the efficacy observed in completed RCTs. RESULTS: The expected PrEP efficacy was 60% with periodic, 50% with random, and 34% with block adherence when PrEP had a long protection profile and pills were taken only 50% of the days. Risk-driven pill taking resulted in 29% and 37% daily pills taken and efficacy of 43% and 51%, respectively, for long protection. High PrEP efficacy comparable with that observed in Partners PrEP and Centers for Disease Control and Prevention Botswana trials was simulated under long protection, high overall adherence, and limited block pill taking; the moderate efficacy observed in iPrEx and Bangkok trials was comparable with the 50% adherence scenarios under random pill taking and long protection. CONCLUSIONS: Pill-taking patterns may have a substantial impact on the protection provided by PrEP even when the same numbers of pills are taken. When PrEP retains protection for longer than a day, pill-taking patterns can explain a broad range of efficacies observed in PrEP RCTs.
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 | 0,040 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».