Inferring population HIV incidence trends from surveillance data of recent HIV infection among HIV testing clients
Notice bibliographique
Résumé
BACKGROUND: Measuring recent HIV infections from routine surveillance systems could allow timely and granular monitoring of HIV incidence patterns. We evaluated the relationship of two recent infection indicators with alternative denominators to true incidence patterns. METHODS: We used a mathematical model of HIV testing behaviours, calibrated to population-based surveys and HIV testing services programme data, to estimate the number of recent infections diagnosed annually from 2010 to 2019 in Côte d'Ivoire, Malawi, and Mozambique. We compared two different denominators to interpret recency data: those at risk of HIV acquisition (HIV-negative tests and recent infections) and all people testing HIV positive. Sex and age-specific longitudinal trends in both interpretations were then compared with modelled trends in HIV incidence, testing efforts and HIV positivity among HIV testing services clients. RESULTS: Over 2010-2019, the annual proportion of the eligible population tested increased in all countries, while positivity decreased. The proportion of recent infections among those at risk of HIV acquisition decreased, similar to declines in HIV incidence among adults (≥15 years old). Conversely, the proportion of recent infections among HIV-positive tests increased. The female-to-male ratio of the proportion testing recent among those at risk was closer to 1 than the true incidence sex ratio. CONCLUSION: The proportion of recent infections among those at risk of HIV acquisition is more indicative of HIV incidence than the proportion among HIV-positive tests. However, interpreting the observed patterns as surrogate measures for incidence patterns may still be confounded by different HIV testing rates between population groups or over time.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».