A novel Bayesian approach to predicting reductions in HIV incidence following increased testing interventions among gay, bisexual and other men who have sex with men in Vancouver, Canada
Notice bibliographique
Résumé
Increasing HIV testing rates among high-risk groups should lead to increased numbers of cases being detected. Coupled with effective treatment and behavioural change among individuals with detected infection, increased testing should also reduce onward incidence of HIV in the population. However, it can be difficult to predict the strengths of these effects and thus the overall impact of testing. We construct a mathematical model of an ongoing HIV epidemic in a population of gay, bisexual and other men who have sex with men. The model incorporates different levels of infection risk, testing habits and awareness of HIV status among members of the population. We introduce a novel Bayesian analysis that is able to incorporate potentially unreliable sexual health survey data along with firm clinical diagnosis data. We parameterize the model using survey and diagnostic data drawn from a population of men in Vancouver, Canada. We predict that increasing testing frequency will yield a small-scale but long-term impact on the epidemic in terms of new infections averted, as well as a large short-term impact on numbers of detected cases. These effects are predicted to occur even when a testing intervention is short-lived. We show that a short-lived but intensive testing campaign can potentially produce many of the same benefits as a campaign that is less intensive but of longer duration.
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 | 0,001 | 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 | 0,001 |
| 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 ».