Developing a dynamic HIV transmission model for 6 U.S. cities: An evidence synthesis
Notice bibliographique
Résumé
BACKGROUND: Dynamic HIV transmission models can provide evidence-based guidance on optimal combination implementation strategies to treat and prevent HIV/AIDS. However, these models can be extremely data intensive, and the availability of good-quality data characterizing regional microepidemics varies substantially within and across countries. We aim to provide a comprehensive and transparent description of an evidence synthesis process and reporting framework employed to populate and calibrate a dynamic, compartmental HIV transmission model for six US cities. METHODS: We executed a mixed-method evidence synthesis strategy to populate model parameters in six categories: (i) initial HIV-negative and HIV-infected populations; (ii) parameters used to calculate the probability of HIV transmission; (iii) screening, diagnosis, treatment and HIV disease progression; (iv) HIV prevention programs; (v) the costs of medical care; and (vi) health utility weights for each stage of HIV disease progression. We identified parameters that required city-specific data and stratification by gender, risk group and race/ethnicity a priori and sought out databases for primary analysis to augment our evidence synthesis. We ranked the quality of each parameter using context- and domain-specific criteria and verified sources and assumptions with our scientific advisory committee. FINDINGS: To inform the 1,667 parameters needed to populate our model, we synthesized evidence from 59 peer-reviewed publications and 24 public health and surveillance reports and executed primary analyses using 11 data sets. Of these 1,667 parameters, 1,517 (91%) were city-specific and 150 (9%) were common for all cities. Notably, 1,074 (64%), 201 (12%) and 312 (19%) parameters corresponded to categories (i), (ii) and (iii), respectively. Parameters ranked as best- to moderate-quality evidence comprised 39% of the common parameters and ranged from 56%-60% across cities for the city-specific parameters. We identified variation in parameter values across cities as well as within cities across risk and race/ethnic groups. CONCLUSIONS: Better integration of modelling in decision making can be achieved by systematically reporting on the evidence synthesis process that is used to populate models, and by explicitly assessing the quality of data entered into the model. The effective communication of this process can help prioritize data collection of the most informative components of local HIV prevention and care services in order to reduce decision uncertainty and strengthen model conclusions.
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 | 0,000 |
| 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 | 0,000 |
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 ».