Trends in HIV pre-exposure prophylaxis uptake in Ontario, Canada, and impact of policy changes: a population-based analysis of projected pharmacy data (2015–2018)
Notice bibliographique
Résumé
OBJECTIVES: HIV pre-exposure prophylaxis (PrEP) is a proven tool for HIV prevention, but PrEP use in Ontario, Canada, and the effects of recent policies are unknown. We estimated the number and characteristics of PrEP users in Ontario and evaluated the impacts of policy changes between July 2015 and June 2018. METHODS: We obtained tenofovir disoproxil fumarate/emtricitabine (TDF/FTC) dispensation data for Ontario from IQVIA, and applied an algorithm to identify use for PrEP. We report prevalent PrEP use for the second quarter of 2018 according to age, sex, region, prescriber specialty, and payer type, and generate "PrEP-to-need ratios" (PNR) by dividing these numbers by the estimated numbers of new HIV diagnoses. We used interventional autoregressive integrated moving average models to examine the impact of three policy changes on PrEP use: Health Canada approval (February 2016), availability of generic TDF/FTC and partial public drug coverage (September 2017), and public drug coverage for individuals aged < 25 years (January 2018). RESULTS: The estimated number of individuals receiving PrEP increased 713%, from 374 in 2015 Q3 to 3041 in 2018 Q2. Among PrEP users in 2018 Q2, 97.5% were male, 60.4% were < 40 years, 67.7% obtained PrEP from a family physician, 77.2% used private insurance, and 67.0% were in Toronto. PNRs were highest in 30-39-year-olds, males, Toronto and the Central East and West regions. Time series analyses found that Health Canada approval (p = 0.0001) and introducing generics/partial public drug coverage (p = 0.002) led to significantly increased use. CONCLUSIONS: PrEP use has risen in Ontario in association with favourable policy changes, but remains far below guideline recommendations.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».