MétaCan
Menu
Retour à la cohorte
Enregistrement W2950321275 · doi:10.1371/journal.pmed.1002822

Changes in rapid HIV treatment initiation after national “treat all” policy adoption in 6 sub-Saharan African countries: Regression discontinuity analysis

2019· article· en· W2950321275 sur OpenAlexaff
Olga Tymejczyk, Ellen Brazier, Constantin T. Yiannoutsos, Michael J. Vinikoor, Monique van Lettow, Fred Nalugoda, Mark Urassa, Jean d’Amour Sinayobye, Peter F. Rebeiro, Kara Wools‐Kaloustian, Mary‐Ann Davies, Elizabeth Zaniewski, Nanina Anderegg, Grace S. Liu, Nathan Ford, Denis Nash

Notice bibliographique

RevuePLoS Medicine · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueHIV/AIDS Research and Interventions
Établissements canadiensPublic Health OntarioUniversity of Toronto
Organismes subventionnairesNational Institute of Child Health and Human DevelopmentNational Institute of Allergy and Infectious DiseasesNIH Office of the DirectorEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institute on Drug AbuseNational Cancer InstituteNational Institutes of HealthNational Institute of Mental HealthWorld Health Organization
Mots-clésRegression discontinuity designHuman immunodeficiency virus (HIV)Developing countryMedicineEnvironmental healthDevelopment economicsDemographyEconomic growthEconomicsFamily medicinePathologySociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Most countries have formally adopted the World Health Organization's 2015 recommendation of universal HIV treatment ("treat all"). However, there are few rigorous assessments of the real-world impact of treat all policies on antiretroviral treatment (ART) uptake across different contexts. METHODS AND FINDINGS: We used longitudinal data for 814,603 patients enrolling in HIV care between 1 January 2004 and 10 July 2018 in 6 countries participating in the global International epidemiology Databases to Evaluate AIDS (IeDEA) consortium: Burundi (N = 11,176), Kenya (N = 179,941), Malawi (N = 84,558), Rwanda (N = 17,396), Uganda (N = 96,286), and Zambia (N = 425,246). Using a quasi-experimental regression discontinuity design, we assessed the change in the proportion initiating ART within 30 days of enrollment in HIV care (rapid ART initiation) after country-level adoption of the treat all policy. A modified Poisson model was used to identify factors associated with failure to initiate ART rapidly under treat all. In each of the 6 countries, over 60% of included patients were female, and median age at enrollment ranged from 32 to 36 years. In all countries studied, national adoption of treat all was associated with large increases in rapid ART initiation. Significant increases in rapid ART initiation immediately after treat all policy adoption were observed in Rwanda, from 44.4% to 78.9% of patients (34.5 percentage points [pp], 95% CI 27.2 to 41.7; p < 0.001), Kenya (25.7 pp, 95% CI 21.8 to 29.5; p < 0.001), Burundi (17.7 pp, 95% CI 6.5 to 28.9; p = 0.002), and Malawi (12.5 pp, 95% CI 7.5 to 17.5; p < 0.001), while no immediate increase was observed in Zambia (0.4 pp, 95% CI -2.9 to 3.8; p = 0.804) and Uganda (-4.2 pp, 95% CI -9.0 to 0.7; p = 0.090). The rate of rapid ART initiation accelerated sharply following treat all policy adoption in Malawi, Uganda, and Zambia; slowed in Kenya; and did not change in Rwanda and Burundi. In post hoc analyses restricted to patients enrolling under treat all, young adults (16-24 years) and men were at increased risk of not rapidly initiating ART (compared to older patients and women, respectively). However, rapid ART initiation following enrollment increased for all groups as more time elapsed since treat all policy adoption. Study limitations include incomplete data on potential ART eligibility criteria, such as clinical status, pregnancy, and enrollment CD4 count, which precluded the assessment of rapid ART initiation specifically among patients known to be eligible for ART before treat all. CONCLUSIONS: Our analysis indicates that adoption of treat all policies had a strong effect on increasing rates of rapid ART initiation, and that these increases followed different trajectories across the 6 countries. Young adults and men still require additional attention to further improve rapid ART initiation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,346
Écart entre enseignants0,309 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations84
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetHIV/AIDS Research and InterventionsTravaux en français237 207