Impact of national commissioning of pre-exposure prophylaxis (PrEP) on equity of access in England: a PrEP-to-need ratio investigation
Notice bibliographique
Résumé
OBJECTIVES: HIV pre-exposure prophylaxis (PrEP) is highly effective in preventing HIV acquisition. In England, NHS availability was limited to participants of the PrEP Impact Trial until late 2020. Some key populations at greater risk of HIV were under-represented in the trial suggesting inequities in trial PrEP access. We used the PrEP-to-need ratio (PnR; number of PrEP users divided by new HIV diagnoses) to investigate whether PrEP access improved following routine commissioning in October 2020 and identify populations most underserved by PrEP. METHODS: Aggregated numbers of people receiving ≥1 PrEP prescription and non-late new HIV diagnoses (epidemiological proxy for PrEP need) were taken from national surveillance data sets. We calculated the PnR across socio-demographics during Impact (October 2017 to February 2020; pre-COVID-19 pandemic) and post-commissioning PrEP era (2021) in England. RESULTS: PnR increased >11 fold, from 4.2 precommissioning to 48.9 in 2021, due to a fourfold reduction in non-late new HIV diagnoses and near threefold increase in PrEP users. PnR increased across genders, however, the men's PnR increased 12-fold (from 5.4 precommissioning to 63.9 postcommissioning) while the women's increased sevenfold (0.5 to 3.5). This increasing gender-based inequity was observed across age, ethnicity and region of residence: white men had the highest PnR, increasing >13 fold (7.1 to 96.0), while Black African women consistently had the lowest PnR, only increasing slightly (0.1 to 0.3) postcommissioning, suggesting they were the most underserved group. Precommissioning, the PnR was 78-fold higher among white men than Black women, increasing to 278-fold postcommissioning. CONCLUSIONS: Despite the overall increase in PrEP use, substantial PrEP Impact trial inequities widened postcommissioning in England, particularly across gender, ethnicity and region of residence. This study emphasises the need to guide HIV combination prevention based on equity metrics relative to the HIV epidemic. The PnR could support the optimisation of combination prevention to achieve zero new HIV infections in England by 2030.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».