National HIV testing and diagnosis coverage in sub-Saharan Africa
Notice bibliographique
Résumé
OBJECTIVE: HIV testing services (HTS) are a crucial component of national HIV responses. Learning one's HIV diagnosis is the entry point to accessing life-saving antiretroviral treatment and care. Recognizing the critical role of HTS, the Joint United Nations Programme on HIV/AIDS (UNAIDS) launched the 90-90-90 targets stipulating that by 2020, 90% of people living with HIV know their status, 90% of those who know their status receive antiretroviral therapy, and 90% of those on treatment have a suppressed viral load. Countries will need to regularly monitor progress on these three indicators. Estimating the proportion of people living with HIV who know their status (i.e. the 'first 90'), however, is difficult. METHODS: We developed a mathematical model (henceforth referred to as 'Shiny90') that formally synthesizes population-based survey and HTS program data to estimate HIV status awareness over time. The proposed model uses country-specific HIV epidemic parameters from the standard UNAIDS Spectrum model to produce outputs that are consistent with other national HIV estimates. Shiny90 provides estimates of HIV testing history, diagnosis rates, and knowledge of HIV status by age and sex. We validate Shiny90 using both in-sample comparisons and out-of-sample predictions using data from three countries: Côte d'Ivoire, Malawi, and Mozambique. RESULTS: In-sample comparisons suggest that Shiny90 can accurately reproduce longitudinal sex-specific trends in HIV testing. Out-of-sample predictions of the fraction of people living with HIV ever tested over a 4-to-6-year time horizon are also in good agreement with empirical survey estimates. Importantly, out-of-sample predictions of HIV knowledge of status are consistent (i.e. within 4% points) with those of the fully calibrated model in the three countries when HTS program data are included. The model's predictions of knowledge of status are higher than available self-reported HIV awareness estimates, however, suggesting - in line with previous studies - that these self-reports could be affected by nondisclosure of HIV status awareness. CONCLUSION: Knowledge of HIV status is a key indicator to monitor progress, identify bottlenecks, and target HIV responses. Shiny90 can help countries track progress towards their 'first 90' by leveraging surveys of HIV testing behaviors and annual HTS program data.
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 | 0,001 |
| 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) | 0,001 | 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 ».