Antiretroviral utilization and adherence before vs. after expansion of a provincial drug insurance policy
Notice bibliographique
Résumé
OBJECTIVE: To compare antiretroviral therapy (ART) utilization and adherence before and after expansion of a drug coverage program. METHODS: A retrospective study was conducted using administrative databases in Saskatchewan, Canada. Beneficiaries with at least one diagnostic claim for HIV infection or AIDS between 1999 and 2021 were eligible. An interrupted time series analysis described trends for three indicators of ART utilization before and after drug coverage expansion in 2018: number of active users (defined by at least one ART claim), number of ART claims, and ART spending. A random-effects logistic regression model, controlling for confounders, was used to evaluate the likelihood of achieving at least 95% adherence measured by the proportion of days covered (PDC) before vs. after coverage expansion. RESULTS: A total of 519 individuals received at least one ART claim during the study period and met all other inclusion criteria. Time series models detected statistically significant increases in the number of active ART users and ART claims within 4 months following coverage expansion. Corresponding increases in ART spending were offset by decreases over prior years. No statistically significant changes were detected in the likelihood of achieving at least 95% PDC between the pre vs. postcoverage periods (adjusted odds ratio 1.26, 95% confidence interval: 0.71-2.25, P = 0.423). CONCLUSION: ART coverage expansion was associated with a higher number of claims, more active users, and a change in spending pattern; however, we did not detect a difference in the likelihood of achieving optimal adherence. Addressing additional gaps in HIV management remains a priority.
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 ».