The shifting age distribution of people with HIV using antiretroviral therapy in the United States
Notice bibliographique
Résumé
OBJECTIVE: To project the future age distribution of people with HIV using antiretroviral therapy (ART) in the United States, under expected trends in HIV diagnosis and survival (baseline scenario) and achieving the ending the HIV epidemic (EHE) goals of a 75% reduction in HIV diagnoses from 2020 to 2025 and sustaining levels to 2030 (EHE75% scenario). DESIGN: An agent-based simulation model with mathematical functions estimated from North American AIDS Cohort Collaboration on Research and Design data and parameters from the US Centers for Disease Control and Prevention's annual HIV surveillance reports. METHODS: The PEARL (ProjEcting Age, MultimoRbidity, and PoLypharmacy in adults with HIV) model simulated individuals in 15 subgroups of sex-and-HIV acquisition risk and race/ethnicity. Simulation outcomes from the baseline scenario are compared with outcomes from the EHE75% scenario. RESULTS: Under the baseline scenario, PEARL projects a substantial increase in number of ART-users over time, reaching a population of 909 638 [95% uncertainty range (UR): 878 449-946 513] by 2030. The overall median age increased from 50 years in 2020 to 52 years in 2030, with 23% of ART-users age ≥65 years in 2030. Under the EHE75% scenario, the projected number of ART-users was 718 348 [703 044-737 817] (median age = 56 years) in 2030, with a 70% relative reduction in ART-users <30 years and a 4% relative reduction in ART-users age ≥65 years compared to baseline, and persistent heterogeneities in projected numbers by sex-and-HIV acquisition risk group and race/ethnicity. CONCLUSIONS: It is critical to prepare healthcare systems to meet the impending demand of the US population aging with HIV.
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 | 0,000 |
| 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) | 0,000 | 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 ».