Population-level effectiveness of a national HIV preexposure prophylaxis programme in MSM
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to evaluate Scotland's national HIV preexposure prophylaxis (PrEP) programme in relation to PrEP uptake and associated population-level impact on HIV incidence among MSM. DESIGN: A retrospective cohort study within real-world implementation. METHODS: Comparison of HIV diagnoses from national surveillance data and HIV incidence within a retrospective cohort of HIV-negative MSM attending sexual health clinics from the National Sexual Health information system between the 2-year periods pre(July 2015-June 2017) and post(July 2017-June 2019) introduction of PrEP. RESULTS: Of 16 723 MSM attending sexual health services in the PrEP period, 3256 (19.5%) were prescribed PrEP. Between pre-PrEP and PrEP periods, new HIV diagnoses among MSM declined from 229 to 184, respectively [relative risk reduction (RRR): 19.7%, 95% confidence interval (95% CI) 2.5-33.8]; diagnosed recently acquired infections declined from an estimated 73 to 47, respectively (35.6%, 95% CI 7.1-55.4). Among MSM attending sexual health clinics, HIV incidence per 1000 person-years declined from 5.13 (95% CI 3.90-6.64) pre-PrEP to 3.25 (95% CI 2.30-4.47) in the PrEP period (adjusted IRR 0.57, 95% CI 0.37-0.87). Compared with the pre-PrEP period, incidence of HIV was lower in the PrEP period for those prescribed PrEP (aIRR 0.25, 95% CI 0.09-0.70) and for those not prescribed PrEP (aIRR 0.68, 95% CI 0.43-1.05). CONCLUSION: We demonstrate national population-level impact of PrEP for the first time in a real-world setting. HIV incidence reduced in MSM who had been prescribed PrEP and, to a lesser extent, in those who had not. Promotion of the benefits of PrEP needs to extend to MSM who do not access sexual health clinics.
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) | 0,000 | 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 ».