New York City HIV Care Continuum Dashboards: Using Surveillance Data to Improve HIV Care Among People Living With HIV in New York City
Notice bibliographique
Résumé
BACKGROUND: HIV surveillance data can be used to improve patient outcomes. OBJECTIVE: This study aimed to describe and present findings from the HIV care continuum dashboards (CCDs) initiative, which uses surveillance data to quantify and track outcomes for HIV patients at major clinical institutions in New York City. METHODS: HIV surveillance data collected since 2011 were used to provide high-volume New York City clinical facilities with their performance on two key outcomes: linkage to care (LTC), among patients newly diagnosed with HIV and viral load suppression (VLS), among patients in HIV care. RESULTS: The initiative included 21 facilities covering 33.78% (1135/3360) of new HIV diagnoses and 46.34% (28,405/61,298) of patients in HIV care in New York City in 2011 and was extended to a total of 47 sites covering 44.23% (1008/2279) of new diagnoses and 69.59% (43,897/63,083) of New York City patients in care in 2016. Since feedback of outcomes to providers began, aggregate LTC has improved by 1 percentage point and VLS by 16 percentage points. CONCLUSIONS: Disseminating information on key facility-level HIV outcomes promotes collaboration between public health and the clinical community to end the HIV epidemic. Similar initiatives can be adopted by other jurisdictions with mature surveillance systems and supportive laws and policies.
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 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| 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 ».