HIV surveillance based on routine testing data from antenatal clinics in Malawi (2011–2018)
Notice bibliographique
Résumé
OBJECTIVE: The use of routinely collected data from prevention of mother-to-child transmission programs (ANC-RT) has been proposed to monitor HIV epidemic trends. This poses several challenges for surveillance, one of them being that women may opt-out of testing and/or test stock-outs may result in inconsistent service availability. In this study, we sought to empirically quantify the relationship between imperfect HIV testing coverage and HIV prevalence among pregnant women from ANC-RT data. DESIGN: We used reports from the ANC Register of all antenatal care (ANC) sites in Malawi (2011-2018), including 49 244 monthly observations, from 764 facilities, totaling 4 375 777 women. METHODS: Binomial logistic regression models with facility-level fixed effects and marginal standardization were used to assess the effect of testing coverage on HIV prevalence. RESULTS: Testing coverage increased from 78 to 98% over 2011-2018. We estimated that, had testing coverage been perfect, prevalence would have been 0.4% point lower (95% CI 0.3-0.5%) than the 7.9% observed prevalence, a relative overestimation of 6%. Bias in HIV prevalence was the highest in 2012, when testing coverage was lowest (72%), resulting in a relative overestimation of HIV prevalence of 15% (95% CI 12-17%). Overall, adjustments for imperfect testing coverage led to a subtler decline in HIV prevalence over 2011--2018. CONCLUSION: Malawi achieved high coverage of routine HIV testing in recent years. Nevertheless, imperfect testing coverage can lead to overestimation of HIV prevalence among pregnant women when coverage is suboptimal. ANC-RT data should be carefully evaluated for changes in testing coverage and completeness when used to monitor epidemic trends.
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 | 0,002 |
| 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) | 0,003 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».