Determinants of time from HIV infection to linkage-to-care in rural KwaZulu-Natal, South Africa
Notice bibliographique
Résumé
OBJECTIVE: To estimate time from HIV infection to linkage-to-care and its determinants. Linkage-to-care is usually assessed using the date of HIV diagnosis as the starting point for exposure time. However, timing of diagnosis is likely endogenous to linkage, leading to bias in linkage estimation. DESIGN: We used longitudinal HIV serosurvey data from a large population-based HIV incidence cohort in KwaZulu-Natal (2004-2013) to estimate time of HIV infection. We linked these data to patient records from a public-sector HIV treatment and care program to determine time from infection to linkage (defined using the date of the first CD4 cell count). METHODS: We used Cox proportional hazards models to estimate time from infection to linkage and the effects of the following covariates on this time: sex, age, education, food security, socioeconomic status, area of residence, distance to clinics, knowledge of HIV status, and whether other household members have initiated antiretroviral therapy. RESULTS: We estimated that it would take an average of 4.9 years for 50% of HIV seroconverters to be linked to care (95% confidence intervals: 4.2-5.7). Among all cohort members who were linked to care, the median CD4 cell count at linkage was 350 cells/μl (95% confidence interval: 330-380). Men and participants aged less than 30 years were found to have the slowest rates of linkage-to-care. Time to linkage became shorter over calendar time. CONCLUSION: Average time from HIV infection to linkage-to-care is long and needs to be reduced to ensure that HIV treatment-as-prevention policies are effective. Targeted interventions for men and young individuals have the largest potential to improve linkage rates.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,002 |
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 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 ».