A Simple Pre-Exposure Prophylaxis (PrEP) Optimization Intervention for Health Care Providers Prescribing PrEP: Pilot Study
Notice bibliographique
Résumé
Background: Pre-exposure prophylaxis (PrEP) has been shown to be highly effective for the prevention of HIV in clinical trials and demonstration projects, but PrEP uptake and adherence outside of these settings in the United States has been limited. Lack of knowledge and willingness of health care providers (HCPs) to prescribe PrEP is an important barrier to implementation. Objective: The objective of this study was to describe and examine the feasibility and acceptability of a PrEP Optimization Intervention (PrEP-OI) targeted at HCPs. The ultimate purpose of this intervention was to increase PrEP uptake, adherence, and persistence among those at risk for HIV acquisition. Methods: This intervention included the following: (1) a Web-based panel management tool called PrEP-Rx, which provides comprehensive HIV risk assessment, automates reminders for follow-up, and reports patients' history of PrEP use; and (2) centralized PrEP coordination by a clinical support staff member (ie, the PrEP coordinator) who can identify individuals at risk for HIV, provide medical insurance navigation, and support multiple HCPs. Feasibility was evaluated based on HCPs' ability to log in to PrEP-Rx and use it as needed. Acceptability was assessed via individual formative qualitative interviews with HCPs after 1 month of the intervention. Results: The intervention was feasible and acceptable among HCPs (N=6). HCPs identified system-level barriers to PrEP provision, many of which can be addressed by this intervention. HCPs noted that the intervention improved their PrEP knowledge; increased ease of PrEP prescription; and was likely to improve patient engagement and retention in care, enhance communication with patients, and improve patient monitoring and follow-up. Conclusions: Given the critical role HCPs serve in disseminating PrEP, we created an easy-to-use PrEP optimization intervention deemed feasible and acceptable to providers. Further research on this tool and its ability to impact the PrEP continuum of care is needed.
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 | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».