Health and economic impact of oral PrEP provision across subgroups in western Kenya: a modelling analysis
Notice bibliographique
Résumé
INTRODUCTION: Oral pre-exposure prophylaxis (PrEP) is a priority intervention for scale-up in countries with high HIV prevalence. Policymakers must decide how to optimise PrEP allocation to maximise health benefits within limited budgets. We assessed the health and economic impact of PrEP scale-up among different subgroups and regions in western Kenya. METHODS: We adapted an agent-based network model, EMOD-HIV, to simulate PrEP uptake in six counties of western Kenya across seven subgroups including serodiscordant couples (SDCs), adolescent girls and young women (AGYW), adolescent boys and young men, women with multiple partners and men with multiple partners. We modelled 5 years of PrEP provision assuming 90% PrEP uptake in the prioritised subgroups and evaluated outcomes over 20 years compared with a no PrEP scenario. All results are presented in 2021 USD$. RESULTS: Population PrEP coverage was highest in the broad AGYW scenario (8.3%, ~2 fold higher than the next highest coverage scenario) and lowest in the SDC scenario (0.37%). Across scenarios, PrEP averted 4.5%-21.3% of infections over the 5-year implementation. PrEP provision to SDCs was associated with the lowest incremental cost-effectiveness ratio (ICER), $245 per disability-adjusted life year (DALY) averted (CI $179 to $435), followed by women and men with multiple partners ($1898 (CI $1002 to $6771) and $2351 (CI $1 831 to $3494) per DALY averted, respectively). Targeted strategies were more efficient than broad provision even in high HIV prevalence counties; PrEP scale-up for AGYW with multiple partners had an ICER per DALY averted of $4745 (CI $2059 to $22 515) compared with $12 351 for broad AGYW (CI $7 050 to $33,955). In general, ICERs were lower in counties with higher HIV prevalence. CONCLUSIONS: PrEP scale-up can avert substantial HIV infections and increasing PrEP demand for subgroups at higher risk can increase efficiency of PrEP programmes. Our results on health and cost impact of PrEP across geographic regions in western Kenya can be used for budgetary planning and priority setting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».