HIV treatment as prevention among people who inject drugs – a re-evaluation of the evidence
Notice bibliographique
Résumé
Background: Population-level associations between community measures of HIV viral load and HIV incidence have been interpreted as evidence for HIV anti-retroviral treatment (ART) as prevention among people who inject drugs (PWID). However, investigation of concurrent HCV and HIV incidence trends allows examination of alternative explanations for the fall in HIV incidence. We estimate the contribution of ART and reductions in injecting risk for reducing HIV incidence in Vancouver between 1996 and 2007. Methods: A deterministic model of HIV and HCV transmission among PWID was calibrated to the baseline (1996) HIV and HCV epidemic among PWID in Vancouver. While incorporating parameter uncertainty, the model projected what levels of ART protection and decreases in injecting risk could reproduce the observed reduction in HIV and HCV incidence for 1996-2007, and so what impact would have been achieved with just ART or just reductions in injecting risk. Results: Model predictions suggest the estimated reduction (84%) in HCV incidence for 1996-2007 required a 59% (2.5-97.5 percentile range 49-76%) reduction in injecting risk, which accounted for nine-tenths of the observed decrease in HIV incidence; the remainder was achieved with a moderate ART efficacy for reducing sexual HIV infectivity (70%, 51-89%) and an uncertain ART efficacy for reducing injection-related HIV infectivity (44%, 0-96%). Despite this uncertainty, projections suggest that the decrease in injecting risk reduced HIV incidence by 76% (63-85%) and ART further reduced HIV incidence by 8% (2-19%), or on its own by 3% (-34-37%). Conclusions: Observed declines in HIV incidence in Vancouver between 1996 and 2007 should be seen as a success for intensive harm reduction, whereas ART probably played a small role.
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 | 0,006 | 0,023 |
| 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 | 0,000 | 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 ».