Mathematical modelling of the influence of serosorting on the population-level HIV transmission impact of pre-exposure prophylaxis
Notice bibliographique
Résumé
OBJECTIVES: HIV pre-exposure prophylaxis (PrEP) may change serosorting patterns. We examined the influence of serosorting on the population-level HIV transmission impact of PrEP, and how impact could change if PrEP users stopped serosorting. DESIGN: We developed a compartmental HIV transmission model parameterized with bio-behavioural and HIV surveillance data among MSM in Canada. METHODS: We separately fit the model with serosorting and without serosorting [counterfactual; sero-proportionate mixing (random partner-selection proportional to availability by HIV status)], and reproduced stable HIV epidemics with HIV-prevalence 10.3-24.8%, undiagnosed fraction 4.9-15.8% and treatment coverage 82.5-88.4%. We simulated PrEP-intervention reaching stable pre-specified coverage by year-one and compared absolute difference in relative HIV-incidence reduction 10 years post-intervention (PrEP-impact) between models with serosorting vs. sero-proportionate mixing; and counterfactual scenarios when PrEP users immediately stopped vs. continued serosorting. We examined sensitivity of results to PrEP-effectiveness (44-99%; reflecting varying dosing or adherence levels) and coverage (10-50%). RESULTS: Models with serosorting predicted a larger PrEP-impact than models with sero-proportionate mixing under all PrEP-effectiveness and coverage assumptions [median (interquartile range): 8.1% (5.5-11.6%)]. PrEP users' stopping serosorting reduced PrEP-impact compared with when PrEP users continued serosorting: reductions in PrEP-impact were minimal [2.1% (1.4-3.4%)] under high PrEP-effectiveness (86-99%); however, could be considerable [10.9% (8.2-14.1%)] under low PrEP effectiveness (44%) and high coverage (30-50%). CONCLUSION: Models assuming sero-proportionate mixing may underestimate population-level HIV-incidence reductions due to PrEP. PrEP-mediated changes in serosorting could lead to programmatically important reductions in PrEP-impact under low PrEP-effectiveness. Our findings suggest the need to monitor sexual mixing patterns to inform PrEP implementation and evaluation.
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 ».