The prevalence of pre-exposure prophylaxis use and the pre-exposure prophylaxis–to-need ratio in the fourth quarter of 2017, United States
Notice bibliographique
Résumé
PURPOSE: The number of individuals who have started a regimen for HIV pre-exposure prophylaxis (PrEP) in the United States is not well characterized but has been on the rise since 2012. This analysis assesses the distribution of PrEP use nationally and among subgroups. METHODS: A validated algorithm quantifying tenofovir disoproxil fumarate/emtricitabine for PrEP in the United States was applied to a national prescription database to determine the quarterly prevalence of PrEP use. HIV diagnoses from 2016 were used as an epidemiological proxy for PrEP need. The PrEP-to-need ratio (PnR) was defined as the number of PrEP users divided by new HIV diagnoses. RESULTS: A total of 70,395 individuals used PrEP in the fourth quarter of 2017: 67,166 males and 3229 females. Nationally, prevalence of PrEP use was 26/100,000 (range across states per 100,000 [RAS/100k]: 4-73) and the PnR was 1.8 (RAS: 0.5-6.6). Prevalence of PrEP use among males and females, respectively, was 50/100,000 and 2/100,000 (RAS/100k: 7-143 and 0.3-7) and PnR was 2.1 and 0.4 (RAS: 0.6-7.1 and 0.1-4.0). Prevalence of PrEP use was lowest among individuals aged less than or equal to 24 and more than or equal to 55 years (15/100,000 and 6/100,000, RAS/100k: 1-45 and 0.4-14), with PnR 0.9 and 1.5 (RAS: 0.2-5.6 and 0.3-7.0). The Northeast had the highest PnR (3.3); the South had the lowest (1.0). States with Medicaid expansion had more than double the PnR than states without expansion. CONCLUSIONS: Available data suggest that females, individuals aged less than or equal to 24 years and residents of the South had lower levels of PrEP use relative to epidemic need. These results are ecological, and misclassification may attenuate results. PnR is useful for future assessments of HIV prevention strategy uptake.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».