Acute and early HIV infection screening among men who have sex with men, a systematic review and meta‐analysis
Notice bibliographique
Résumé
INTRODUCTION: Screening for acute and early HIV infections (AEHI) among men who have sex with men (MSM) remains uncommon in sub-Saharan Africa (SSA). Yet, undiagnosed AEHI among MSM and subsequent failure to link to care are important drivers of the HIV epidemic. We conducted a systematic review and meta-analysis of AEHI yield among MSM mobilized for AEHI testing; and assessed which risk factors and/or symptoms could increase AEHI yield in MSM. METHODS: We systematically searched four databases from their inception through May 2020 for studies reporting strategies of mobilizing MSM for testing and their AEHI yield, or risk and/or symptom scores targeting AEHI screening. AEHI yield was defined as the proportion of AEHI cases among the total number of visits. Study estimates for AEHI yield were pooled using random effects models. Predictive ability of risk and/or symptom scores was expressed as the area under the receiver operator curve (AUC). RESULTS: = 83.8%; three studies) versus universal testing (1.6%; 95% CI, 0.8 to 2.4; two studies). The AUC of risk and/or symptom scores ranged from 0.69 to 0.89 in development study samples, and from 0.51 to 0.88 in validation study samples. AUC was the highest for scores including symptoms, such as diarrhoea, fever and fatigue. Key risk score variables were age, number of sexual partners, condomless receptive anal intercourse, sexual intercourse with a person living with HIV, a sexually transmitted infection, and illicit drug use. No studies were identified that assessed AEHI yield among MSM in SSA and risk and/or symptom scores developed among MSM in SSA lacked validation. CONCLUSIONS: Strategies mobilizing MSM for targeted AEHI testing resulted in substantially higher AEHI yields than universal AEHI testing. Targeted AEHI testing may be optimized using risk and/or symptom scores, especially if scores include symptoms. Studies assessing AEHI yield and validation of risk and/or symptom scores among MSM in SSA are urgently needed.
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 | 0,012 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,029 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| 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 ».