Modelling the impact of HIV and hepatitis C virus prevention and treatment interventions among people who inject drugs in Kenya
Notice bibliographique
Résumé
OBJECTIVES: People who inject drugs (PWID) in Kenya have high HIV (range across settings: 14-26%) and hepatitis C virus (HCV; 11-36%) prevalence. We evaluated the impact of existing and scaled-up interventions on HIV and HCV incidence among PWID in Kenya. DESIGN: HIV and HCV transmission model among PWID, calibrated to Nairobi and Kenya's Coastal region. METHODS: For each setting, we projected the impact (percent of HIV/HCV infections averted in 2020) of existing coverages of antiretroviral therapy (ART; 63-79%), opioid agonist therapy (OAT; 8-13%) and needle and syringe programmes (NSP; 45-61%). We then projected the impact (reduction in HIV/HCV incidence over 2021-2030), of scaling-up harm reduction [Full harm reduction ('Full HR'): 50% OAT, 75% NSP] and/or HIV (UNAIDS 90-90-90) and HCV treatment (1000 PWID over 2021-2025) and reducing sexual risk (by 25/50/75%). We estimated HCV treatment levels needed to reduce HCV incidence by 90% by 2030. RESULTS: In 2020, OAT and NSP averted 46.0-50.8% (range of medians) of HIV infections and 50.0-66.1% of HCV infections, mostly because of NSP. ART only averted 12.9-39.8% of HIV infections because of suboptimal viral suppression (28-48%). Full HR and ART could reduce HIV incidence by 51.5-64% and HCV incidence by 84.6-86.6% by 2030. Also halving sexual risk could reduce HIV incidence by 68.0-74.1%. Alongside full HR, treating 2244 PWID over 2021-2025 could reduce HCV incidence by 90% by 2030. CONCLUSION: Existing interventions are having substantial impact on HIV and HCV transmission in Kenya. However, to eliminate HIV and HCV, further scale-up is needed with reductions in sexual risk and HCV treatment.
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 | 0,000 |
| 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 ».