Development and Calibration of a Dynamic HIV Transmission Model for 6 US Cities
Notice bibliographique
Résumé
Background. Heterogeneity in HIV microepidemics across US cities necessitates locally oriented, combination implementation strategies to prioritize resources. We calibrated and validated a dynamic, compartmental HIV transmission model to establish a status quo treatment scenario, holding constant current levels of care for 6 US cities. Methods. Built off a comprehensive evidence synthesis, we adapted and extended a previously published model to replicate the transmission, progression, and clinical care for each microepidemic. We identified a common set of 17 calibration targets between 2012 and 2015 and used the Morris method to select the most influential parameters for calibration. We then applied the Nelder-Mead algorithm to iteratively calibrate the model to generate 2000 best-fitting parameter sets. Finally, model projections were internally validated with a series of robustness checks and externally validated against published estimates of HIV incidence, while the face validity of 25-year projections was assessed by a Scientific Advisory Committee (SAC). Results. We documented our process for model development, calibration, and validation to maximize its transparency and reproducibility. The projected outcomes demonstrated a good fit to calibration targets, with a mean goodness-of-fit ranging from 0.0174 (New York City [NYC]) to 0.0861 (Atlanta). Most of the incidence predictions were within the uncertainty range for 5 of the 6 cities (ranging from 21% [Miami] to 100% [NYC]), demonstrating good external validity. The face validity of the long-term projections was confirmed by our SAC, showing that the incidence would decrease or remain stable in Atlanta, Los Angeles, NYC, and Seattle while increasing in Baltimore and Miami. Discussion. This exercise provides a basis for assessing the incremental value of further investments in HIV combination implementation strategies tailored to urban HIV microepidemics.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».