Casting a Wide Net: HIV Drug Resistance Monitoring in Pre-Exposure Prophylaxis Seroconverters in the Global Evaluation of Microbicide Sensitivity Project
Notice bibliographique
Résumé
BACKGROUND: Evidence of HIV drug resistance (HIVDR) in individuals using oral pre-exposure prophylaxis (PrEP) who acquire HIV is limited to clinical trials and case studies. More data are needed to understand the risk of HIVDR with oral PrEP during PrEP rollout. Mechanisms to collect these data vary, and are dependent on cost, scale of PrEP distribution, and in-country infrastructure for the identification, collection, and testing of samples from PrEP seroconverters. METHODS: The Global Evaluation of Microbicide Sensitivity (GEMS) project, in collaboration with country stakeholders, initiated HIVDR monitoring among new HIV seroconverters with prior PrEP use in Eswatini, Kenya, South Africa, and Zimbabwe. Standalone protocols were developed to assess HIVDR among a national sample of PrEP users. In addition, HIVDR testing was incorporated into existing demonstration projects for key populations. LESSONS LEARNED: Countries are supportive of conducting a time-limited evaluation of HIVDR during the early stages of PrEP rollout. As PrEP rollout expands, the need for long-term HIVDR monitoring with PrEP will need to be balanced with maintaining national HIV drug resistance surveillance for pretreatment and acquired drug resistance. Laboratory capacity is a common obstacle to setting up a monitoring system. CONCLUSIONS: Establishing HIV resistance monitoring within PrEP programs is feasible. Approaches to drug resistance monitoring may evolve as the PrEP programs mature and expand. The methods and implementation support offered by GEMS assisted countries in developing methods to monitor for drug resistance that best fit their PrEP program needs and resources.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».