Improving HIV preexposure prophylaxis uptake with artificial intelligence and automation: a systematic review
Notice bibliographique
Résumé
OBJECTIVES: To identify studies promoting the use of artificial intelligence (AI) or automation with HIV preexposure prophylaxis (PrEP) care and explore ways for AI to be used in PrEP interventions. DESIGN: Systematic review. METHODS: We searched in the US Centers for Disease Control and Prevention Research Synthesis database through November 2023; PROSPERO (CRD42023458870). We included studies published in English that reported using AI or automation in PrEP interventions. Two reviewers independently reviewed the full text and extracted data by using standard forms. Risk of bias was assessed using either the revised Cochrane risk-of-bias tool for randomized trials for randomized controlled trials or an adapted Newcastle-Ottawa Quality Assessment Scale for nonrandomized studies. RESULTS: Our search identified 12 intervention studies (i.e., interventions that used AI/automation to improve PrEP care). Currently available intervention studies showed AI/automation interventions were acceptable and feasible in PrEP care while improving PrEP-related outcomes (i.e., knowledge, uptake, adherence, discussion with care providers). These interventions have used AI/automation to reduce workload (e.g., directly observed therapy) and helped non-HIV specialists prescribe PrEP with AI-generated clinical decision-support. Automated tools can also be developed with limited budget and staff experience. CONCLUSIONS: AI and automation have high potential to improve PrEP care. Despite limitations of included studies (e.g., the small sample sizes and lack of rigorous study design), our review suggests that by using aspects of AI and automation appropriately and wisely, these technologies may accelerate PrEP use and reduce HIV infection.
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) | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».