PrEP implementation research in Africa: what is new?
Notice bibliographique
Résumé
INTRODUCTION: Of the two million new HIV infections in adults in 2014, 70% occurred in sub-Saharan Africa. Several African countries have already approved guidelines for pre-exposure prophylaxis (PrEP) for individuals at substantial risk of HIV as part of combination HIV prevention but key questions remain about how to identify and deliver PrEP to those at greatest need. Throughout the continent, individuals in sero-discordant relationships, and members of key populations (sex workers, men who have sex with men (MSM), transgender women and injection drug users) are likely to benefit from the availability of PrEP. In addition, adolescent girls and young women (AGYW) are at substantial risk in some parts of the continent. It has been estimated that at least three million individuals in Africa are likely to be eligible for PrEP according to WHO's criteria. Tens of demonstration projects are planned or underway across the continent among a range of countries, populations and delivery settings. DISCUSSION: In each of the target populations, there are overarching issues related to (i) creating demand for PrEP, (ii) addressing supply-side issues and (iii) providing appropriate and tailored adherence support. Critical for creating demand for PrEP is the normalization of HIV prevention. Community-level interventions which engage opinion leaders as well as empowerment interventions for those at highest risk will be key. Critical to supply of PrEP is that services are accessible for all, including for stigmatized populations. Establishing accessible integrated services provides the opportunity to address other public health priorities including the unmet need for HIV testing, contraception and sexually transmitted infections treatment. National policies need to include minimum standards for training and quality assurance for PrEP implementation and to address supply chain issues. Adherence support needs to recognize that social and structural factors are likely to have an important influence. Combining interventions that build self-efficacy, empowerment and social cohesion, with evidence-based individualized adherence support for PrEP, are most likely to be effective. CONCLUSIONS: Efficacy of tenfovir-based PrEP is proven but many issues related to implementation remain unclear. Here, we have summarized some of the important implementation questions that need to be assessed as PrEP is rolled out across Africa.
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 | 0,163 | 0,276 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,008 | 0,013 |
| Études des sciences et des technologies | 0,004 | 0,014 |
| Communication savante | 0,018 | 0,031 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».