The primary goal of public health efforts to control HIV epidemics is to diagnose and treat people with HIV infection as soon as possible after seroconversion. The timing of initiation of antiretroviral therapy (ART) treatment after HIV diagnosis is, therefore, a critical population-level indicator that can be used to measure the effectiveness of public health programs and policies at local and national levels. However, population-based data on ART initiation are unavailable because ART initiation and prescription are typically measured indirectly by public health departments (e.g., with viral suppression as a proxy). In this paper, we present a random change-point model to infer the time of ART initiation utilizing routinely reported individual-level HIV viral load from an HIV surveillance system. To deal with the left-censoring and the nonlinear trajectory of viral load data, we formulate a flexible segmented nonlinear mixed effects model and propose a Stochastic version of EM (StEM) algorithm, coupled with a Gibbs sampler for the inference. We apply the method to a random subset of HIV surveillance data to infer the timing of ART initiation since diagnosis and to gain additional insights into the viral load dynamics. Simulation studies are also performed to evaluate the properties of the proposed method.

中文翻译：

---

通过分段机械非线性模型从左删失纵向数据中推断随机变化点，在 HIV 监测研究中的应用

控制 HIV 流行的公共卫生工作的主要目标是在血清转换后尽快诊断和治疗 HIV 感染者。因此，在 HIV 诊断后开始抗逆转录病毒治疗 (ART) 治疗的时间是一项关键的人口水平指标，可用于衡量地方和国家层面的公共卫生计划和政策的有效性。然而，由于 ART 启动和处方通常由公共卫生部门间接测量（例如，以病毒抑制为代表），因此无法获得基于人群的 ART 启动数据。在本文中，我们提出了一个随机变化点模型，利用来自 HIV 监测系统的常规报告的个体水平 HIV 病毒载量来推断 ART 开始的时间。为了处理病毒载量数据的左删失和非线性轨迹，我们制定了一个灵活的分段非线性混合效应模型，并提出了一种随机版本的 EM (StEM) 算法，再加上一个 Gibbs 采样器进行推理。我们将该方法应用于 HIV 监测数据的随机子集，以推断自诊断后开始 ART 的时间，并获得对病毒载量动态的更多见解。还进行了模拟研究以评估所提出方法的特性。我们将该方法应用于 HIV 监测数据的随机子集，以推断自诊断后开始 ART 的时间，并获得对病毒载量动态的更多见解。还进行了模拟研究以评估所提出方法的特性。我们将该方法应用于 HIV 监测数据的随机子集，以推断自诊断后开始 ART 的时间，并获得对病毒载量动态的更多见解。还进行了模拟研究以评估所提出方法的特性。